Mon mémoire en 400 mots: Michael Matesic

Michael Matesic, étudiant au doctorat de l’iREx à l’Université de Montréal, a terminé sa maîtrise à l’Université Bishop’s en 2022. Il résume ici son projet de recherche de son maîtrise.

Pendant environ quatre ans, le télescope spatial Kepler de la NASA (lancé en 2009) a observé la luminosité d’environ 200 000 étoiles. Capable de détecter des planètes de la taille de la Terre sur des orbites assez rapprochées autour d’étoiles semblables au Soleil, Kepler a cherché à déterminer à quel point ces planètes sont abondantes, en mesurant leur taux d’occurrence, appelé « eta-Terre ». Bien que la mission Kepler n’ait pas réussi à détecter une véritable analogue de la Terre en orbite autour d’une étoile similaire au Soleil (en raison d’un bruit électronique plus élevé que prévu), elle a fourni à l’humanité des informations importantes sur (1) comment les astronomes peuvent s’assurer que les études sur les exoplanètes sont complètes et la fiables et (2) comment les incertitudes liées à la taille des exoplanètes influencent notre capacité à déterminer le taux d’occurrence eta-Terre.

On appelle « objets d’intérêt de Kepler » (KOI) les étoiles observées par Kepler qui présentent des changements périodiques de luminosité qui pourrait indiquer la présence d’une exoplanète. Les données de Kepler sont traitées avant d’être analysées par les astronomes afin d’éliminer les effets causés par les instruments. Dans certains cas, ces formes de bruit pourraient donner lieu à des détections d’exoplanètes qui seraient en réalité de « fausses alarmes »! Après ce traitement, les données ne contiennent plus que des erreurs systématiques provenant de l’étoile elle-même (taches solaires, éruptions stellaires, oscillations de luminosité, compagnon stellaire, etc.), en plus de la signature caractéristique d’exoplanètes, si elles sont présentes.

Pendant ma maitrise, je me suis concentré sur la modélisation de l’impact des contributions stellaires et instrumentales sur les données Kepler afin d’évaluer la probabilité de détection de fausses alarmes. Pour ce faire, j’ai développé une méthode pour modéliser les courbes de lumière des KOI dans le cas où il n’y aurait que du bruit (fausse alarme) et dans le cas où du bruit est superposé à une courbe de transit (véritable exoplanète). J’ai ensuite utilisé des méthodes statistiques bayésiennes pour déterminer la probabilité qu’un KOI donné soit une réelle candidate exoplanète en transit ou une fausse alarme. Cela permet aux astronomes de mieux comprendre le taux de contamination des fausses alarmes parmi les KOI, un élément clé dans l’estimation de la fiabilité des catalogues.

Artist’s concept of the Kepler spacecraft
Credits: NASA/Ames/JPL-Caltech/T Pyle

Mes modèles intègrent à la fois le « bruit blanc » (d’intensité constante) et le « bruit corrélé » (où les niveaux de bruit entre les pixels ou dans le temps sont corrélés). La modélisation simultanée du bruit blanc et du bruit corrélé permet de renforcer les contraintes sur les paramètres des modèles de transit, améliorant ainsi la caractérisation des planètes candidates. Cela permet de mieux estimer les rayons des exoplanètes, ce qui permet d’affiner les mesures de fiabilité et les estimations de l’éloignement de la Terre.

Après avoir prototypé cette nouvelle approche sur un sous-ensemble sélectionné de KOIs, y compris des analogues potentiels Terre-Soleil et Vénus-Soleil, mon projet de doctorat utilisera une architecture d’apprentissage automatique par inférence basée sur la simulation pour faciliter l’évaluation efficace de la fiabilité bayésienne des signatures de transit d’exoplanètes sur des ensembles de données à l’échelle du catalogue (Kepler, K2, TESS, etc.).