Classification de Supernovae par CNN

Les contributeurs sont Anthony Brunel (1), Johanna Pasquet (2), Jérôme Pasquet (1), Nancy Rodriguez (1), Frédéric Comby (1), Dominique Fouchez (2), Marc Chaumont (1). 
(1) LIRMM, (2) CPPM. 

Les cosmologistes sont confrontés au problème de l’analyse d’une quantité énorme de données lors de l’observation du ciel. Dans cette présentation, nous étudions spécifiquement le phénomène des supernovae et en particulier la classification binaire "supernovae de type Ia versus supernovae de type non-Ia". Les méthodes utilisées en cosmologie s'appuient, pour la plupart, sur des modèles astrophysiques et, par conséquent, pour la classification, elles utilisent généralement une approche d'apprentissage automatique en deux étapes, qui consiste d'abord à extraire les caractéristiques puis à les classer. Nous présentons deux réseaux de neurones convolutionnels (CNN), qui surpassent l'état-de-l'art actuel. Le premier CNN est adapté aux séries temporelles et donc au traitement des courbes de lumière des supernovae. Le second CNN est basé sur un CNN siamois et est adapté à la nature des données qui sont clairsemées et dont le nombre d'exemples d'apprentissage est faible. Ce travail est issu d'une collaboration entre le Centre de Physique des Particules de Marseille (CPPM) et le Laboratoire d'Informatique de Robotique et de Microélectronique de Montpellier (LIRMM).