Mon mémoire en 400 mots : Salma Salhi

Salma Salhi, étudiante à la maîtrise à l’IREx, a récemment complété son diplôme à l’Université de Montréal. Elle résume ici son projet de recherche.

Le télescope spatial James Webb a déjà profondément révolutionné notre compréhension de l’Univers, en particulier dans le domaine des exoplanètes. Ses instruments qui opèrent dans l’infrarouge, comme le spectrographe NIRISS, se sont révélés particulièrement utiles pour l’étude des petites exoplanètes potentiellement similaires à la nôtre. Cependant, un des principaux défis actuels avec NIRISS est la présence d’un bruit instrumental surnommé « bruit 1/f », parce que son importance est plus grand aux petites fréquences (aux grandes longueurs d’onde). Même les meilleures méthodes de correction nous laissent avec une incertitude plus grande qu’elle ne devrait l’être.

L’objectif de mon projet de maîtrise était d’aborder ce problème sous un nouvel angle, en utilisant de vraies données pour mieux comprendre la structure de ce bruit. La plupart des méthodes classiques de correction du bruit 1/f reposent sur des approches dites « déterministes ». Dans l’image NIRISS d’un spectre (quantité de lumière reçue à chaque longueur d’onde) d’une étoile alors qu’une planète passe devant, on calcule la valeur médiane des pixels pour chaque colonne de l’image, puis on soustrait cette valeur médiane à tous les pixels de la colonne. Cela élimine une partie du bruit 1/f. Il reste toutefois des résidus, car cette méthode suppose que le bruit est entièrement prévisible, sans élément de hasard le long de la colonne, ce qui n’est pas le cas. Ce bruit n’a pas la forme « classique » que l’on s’attend souvent à voir (en cloche, ou gaussienne) : il comporte une part d’aléatoire. Une méthode probabiliste de correction est plus appropriée. La portion aléatoire peut être décrite par ce que l’on appelle une distribution de probabilité. Si l’on comprend comment le bruit est distribué, on peut combiner ce que l’on observe avec ce que l’on sait déjà du bruit, dans une analyse appelée inférence bayésienne, pour estimer la distribution de l’image originale sans bruit. La forme de cette distribution permet aussi d’obtenir des incertitudes robustes sur notre estimation de l’image sous-jacente.

Puisque le bruit 1/f n’est pas gaussien, il ne peut pas être décrit par une simple formule. Il faut plutôt utiliser un algorithme ou un modèle capable de déterminer sa distribution à partir d’exemples de bruit. L’apprentissage automatique est bien adapté à cet objectif. Un réseau de neurones — un type de modèle informatique qui apprend à reconnaître des motifs à partir de données — peut être entraîné sur de vraies images de bruit pour en apprendre directement la distribution. Dans ce but, j’ai entraîné un type de réseau de neurones appelé modèle de diffusion basé sur le score sur des images dites « sombres » : elles contiennent uniquement du bruit instrumental, dont le bruit 1/f, sans aucun signal astrophysique. J’ai également entraîné un autre modèle sur des images simulées du vrai signal, sans bruit. En combinant ces deux modèles dans une analyse bayésienne, j’ai pu générer la distribution finale des possibles réalisations d’images propres et sans bruit.

Cette méthode permet d’atteindre la précision maximale possible sur des données simulées, ce que l’on appelle la précision « limitée par le bruit de photons », et d’éliminer le problème des grandes incertitudes. Au cours de mon doctorat, je prévois d’appliquer cette méthode à de vraies observations. J’anticipe qu’elle sera particulièrement utile pour l’étude des planètes rocheuses, où une très haute précision est cruciale pour détecter les atmosphères.

En savoir plus

Salma a complété sa maîtrise entre 2023 et 2025, sous la supervision du professeur de l’IREx René Doyon et de Laurence Perreault-Levasseur. Sa thèse sera bientôt disponible sur Papyrus.