S19

IA et astrophysique - méthodes, usages et perspectives

Communauté

Contact : david.cornu@obspm.fr

Main language for discussions / Langue principale des échanges oraux : ENGLISH

L’apprentissage machine (ML) et l’intelligence artificielle (IA) occupent une place de plus en plus importante dans la recherche en astrophysique, permettant de nouvelles approches dans le traitement, l’analyse et l’interprétation des données. Ces méthodes promettent notamment une gestion plus efficace des jeux de données observationnels massifs et multidimensionnels, l’identification de signaux plus faibles ou plus subtils qu’avec les méthodes classiques, ou encore l’automatisation d’analyses complexes. Ces approches sont désormais utilisées dans tous les domaines de l’astrophysique: cosmologie, étude des galaxies, planétologie, physique des hautes énergies, astronomie multimessager, astrochimie, physique stellaire, étude du système solaire, ou encore météorologie spatiale. Par ailleurs, l’IA et le ML recouvrent une grande diversité méthodologique et technique, et leur usage dans un cadre astrophysique requiert une expertise spécifique.

Cet atelier a pour objectif d’offrir un panorama de l’usage actuel des méthodes ML/IA dans la communauté astrophysique, en mettant en avant la diversité des approches, des types de données ainsi que des problématiques scientifiques. Nous invitons particulièrement les jeunes chercheuses et chercheurs (master, doctorat et postdoctorat) à proposer des contributions sur leurs travaux, qu’ils soient aboutis ou en cours, et même s’ils ne s’appuient pas sur les méthodes les plus récentes en IA. Par ailleurs, les propositions de contributions fondées sur des approches modernes (p.ex., apprentissage auto-supervisé, modèles de fondation ou multimodaux) ou illustrant les spécificités méthodologiques propres à la recherche en astrophysique (explicabilité, mesure de l’incertitude) sont particulièrement les bienvenues.

L’atelier se conclura par une table ronde consacrée à des échanges ouverts sur l’adoption des méthodes ML/IA par notre communauté, en particulier au regard des dernières innovations en IA, ainsi que leur impact sur nos pratiques de recherche. Cette table ronde inclura également une discussion sur le risque d’augmentation de l’empreinte environnementale de notre activité de recherche liée à l’usage de ces méthodes ou des outils associés.

English abstract

Machine learning (ML) and artificial intelligence (AI) are playing an increasingly important role in astrophysical research, enabling new approaches for data processing, analysis, and interpretation. These methods promise to efficiently process massive high-dimensional observational datasets, to identify fainter or more subtle signals than those accessible with classical techniques, and to automate complex analyses. These approaches are now used across all subfields of astrophysics: cosmology, galaxy studies, planetary science, high-energy astrophysics, multi-messenger astronomy, astrochemistry, stellar physics, solar system studies, and space weather. Moreover, AI and ML encompass a wide range of methods and techniques, and their application in astrophysics requires specific expertise.

This workshop aims to provide an overview of current ML/AI use in the astrophysics community, highlighting the diversity of approaches, data types, and scientific questions. We strongly invite young researchers (master’s and PhD students or postdocs) to submit contributions on their work, whether completed or in progress, even if it does not make use of the most recent developments and techniques in AI. In addition, contributions based on modern approaches (e.g., self-supervised learning, foundation or multimodal models) or that illustrate the methodological specifics of astrophysics research (explainability, uncertainty measurement) are particularly welcome.

The workshop will conclude with a round table discussion on the adoption of ML/AI methods by our community, particularly with regard to the latest innovations in AI and their impact on our research practices. This roundtable will also include a discussion of the potential increase in environmental footprint of our research activities related to the adoption of these methods or associated tools.

SOC (alphabetique):
Sylvain Breton (INAF-OACT)
David Cornu (LUX)
Jonathan Freundlich (ObAS)
Nina Kessler (LAB/Todai)
Rungployphan Kieokaew (IRAP)
Gregory Sainton (LUX)
Hugo Vivien (LAM)

Programme des présentations orales

Horaire	Auteur	Titre	Abstract	Présentation (fichier)
13h58 – 14h00	Introduction
14h00 – 14h20	Dupourqué, S, Quintin, E	Unsupervised classification of the 4XMM catalogue with variational autoencoders	Fichier	–
14h20 – 14h40	Bonini, C.	PISCO : A Deep Learning Method for Shear Calibration	Fichier	–
14h40 – 15h00	Joanna Berteaud	Observer et simuler l’inaccessible : les étoiles à neutrons de NICER au SKA	Fichier	–
15h00 – 15h20	Adam Zarka	Detection and characterization of galaxies with deep-learning in radio continuum surveys, preparation to SKAO	Fichier	–
15h20 – 15h40	P. Janin-Potiron, M. Gray, B. Neichel, M. Dumont, J.-F. Sauvage, C. T. Heritier, P. Jouve, R. Fetick, T. Fusco	Estimating differential pistons for the Extremely Large Telescope using focal plane imaging and a residual network	Fichier	–
15h40 – 16h00	Renaud Vancoellie, Adeline Paiement, Pierre Alain Duc	Class-Conditioned Consensus Loss for Multi-Expert Annotation of Low Surface Brightness structures	Fichier	–
16h00 – 16h30	Break
16h30 – 16h50	Radureau , G., Busschaert, C.	Artificial intelligence in radiative hydrodynamics for astrophysics	Fichier	–
16h50 – 17h05	Amblard, B., El-Bouch, S., Dalla-Mura, M., Ferrari, A., Richard, C.	Détection de Sursauts Radio Rapides à l’Aide d’une Approche Multi-objectifs: MUFASA	Fichier	–
17h05 – 17h20	Ribeiro, Z. Hily-Blant P.	Neural network estimation of the average density in molecular clouds and prestellar cores.	Fichier	–
17h20 – 18h00	Round Table