Soutenance de doctorat de Olivier Vincent

Applications de l’apprentissage machine à l’étude des étoiles naines blanches

La prochaine génération de relevés spectroscopiques promet de révolutionner notre compréhension des étoiles naines blanches en fournissant des observations de centaines de milliers d'objets, une augmentation considérable par rapport à l'échantillon actuel d'environ 40,000 naines blanches confirmées spectroscopiquement. Ce déluge imminent de données présente à la fois une opportunité extraordinaire et un défi majeur, car les approches traditionnelles d'analyse manuelle de la communauté de recherche sur les naines blanches deviennent impossibles à maintenir à de telles échelles. Cette thèse développe un ensemble complet d'outils automatisés pour relever ce défi, permettant l'exploitation de grands échantillons de naines blanches comme sondes de phénomènes astrophysiques fondamentaux.

Nous établissons d'abord un cadre empirique pour l'identification et la classification automatisées des naines blanches en utilisant des réseaux de neurones entraînés sur les catalogues spectroscopiques existants. Cette approche atteint de hautes performances dans la distinction des naines blanches des autres objets stellaires en utilisant les données astrométriques et photométriques de Gaia, tout en démontrant des capacités robustes dans la classification spectrale et l'identification des systèmes binaires. Cette méthodologie est ensuite appliquée aux nouvelles observations spectroscopiques de Gaia, produisant le plus grand échantillon uniformément classifié de naines blanches à ce jour, permettant des analyses statistiques sans précédent de leur évolution spectrale et de leur fonction de luminosité. 

Cependant, cette approche initiale a révélé des limitations importantes inhérentes à l'entraînement sur des données observationnelles, particulièrement concernant la classification des types spectraux rares et des naines blanches à atmosphères mixtes. Nous abordons ces contraintes en développant un nouveau cadre de classification basé sur la spectroscopie synthétique, qui élimine la dépendance aux classifications préexistantes tout en fournissant des données d'entraînement illimitées. Cette méthode démontre une performance supérieure à l'expertise humaine et aux approches précédentes d'apprentissage machine lorsqu'appliquée aux spectres SDSS, et peut facilement être adaptée toute configuration instrumentale.

Enfin, nous présentons une nouvelle méthodologie pour l'inférence des paramètres physiques des naines blanches qui combine les observations spectroscopiques et photométriques. Cette approche emploie des techniques d'apprentissage profond pour approximer des distributions postérieures complexes, permettant une estimation rapide et robuste des paramètres. Cette méthodologie est appliquée à un grand échantillon de naines blanches de type DA et DB, ainsi que sur les données haute-résolution une étoile de type hot DQ ayant de l'oxygène dans son atmosphère, démontrant son utilité autant pour les grands relevés astronomiques que l'analyse d'objets complexes.

Ensemble, ces avancées méthodologiques établissent les outils fondamentaux nécessaires pour exploiter pleinement les données des relevés de prochaine génération. Les outils développés permettront l'analyse des naines blanches aux atmosphères les plus complexes, comme celles montrant une pollution métallique significative ou des champs magnétiques, ainsi que des déterminations précises des âges des populations stellaires à plusieurs kiloparsecs du voisinage solaire, offrant des perspectives sans précédent sur la structure et l'évolution galactiques.