Galaxy morphology with Euclid : simulations, forecasts and detection with deep learning - TEL - Thèses en ligne Accéder directement au contenu
Thèse Année : 2022

Galaxy morphology with Euclid : simulations, forecasts and detection with deep learning

Morphologie de galaxies avec Euclid : simulations, prédictions et détection par apprentissage automatique profond

Résumé

This thesis work, centred on the upcoming large galaxy surveys – in particular the Euclid space mission – focused on the characterisation of galaxy morphologies and the detection of blended galaxies using deep learning techniques. A first project consisted in studying Euclid capacity to characterise and describe galaxies, especially their morphology. To this intent, I have adapted and implemented a deep learning generative model to emulate galaxies with complex morphologies, going beyond the classic 2-component analytic profile. This model is composed of a generator that learned to produce realistic galaxy images from Hubble Space telescope observations, and a flow that learns to condition the image generation to the galaxy physical parameters such as the radius or the ellipticity. This generative model can therefore simulate realistic galaxies from a catalogue of physical parameters, following the same scheme used by the more classical approach. I have then integrated the model in the Euclid Ground Segment pipeline so that anyone in the collaboration could use those simulations. Following on, I created my own set of simulated images to forecast the number of galaxies for which Euclid will be able to resolve a non-trivial morphology as a function of the depth of the survey, the magnitude, or the stellar mass. I concluded that Euclid will observe the structural details of around 250 million galaxies. For a second project, I participated to the simulation and analysis of the Euclid Morphology Challenge. The goal was to compare state of the art galaxy fitting software and judge their ability to measure the structural parameters of galaxies, in order to select which should be used in the Euclid Ground Segment. We ran the comparison on three sets of simulations, one being my deep learning generated galaxies. I then led the analysis of the challenge results and developed an interactive web interface to reproduce the paper figures and explore the challenge results in more details. The last project was to study the effect of galaxy blending, that is when two unrelated galaxies are overlapping due to projection effects in the line-of-sight. I computed the percentage of galaxies impacted by this effect in the Euclid Wide and Euclid Deep surveys and found that around 7% (resp. 19%) of the Euclid Wide (resp. Deep) Survey will be affected by blending. Among which 5% (resp. 16%) will be problematic for shape measurement. To tackle this problem, I developed a deep learning algorithm, called Probabilistic U-Net, to perform a probabilistic segmentation of overlapping objects (i.e. to detect the contours of the galaxies and their overlapping regions) as well as a measure of uncertainty. This uncertainty estimation is possible thanks to a probabilistic part of the model, which can produce various realisations of the same segmentation and thus compute its pixel-wise variance. I showed we can detect this way isolated or blended galaxies, in large fields of galaxies, with a good completeness and purity. The aim for this work – currently in progress - is to be proposed as an official deblender for Euclid.
Cette thèse est construite autour de deux axes, liés au grands relevés de galaxies, et en particulier Euclid. Dans un premier temps, je me suis penché sur les capacités d'Euclid, mission cosmologique de l'ESA, à caractériser et décrire les galaxies, notamment par leur morphologie. Pour cela, j'ai d'abord adapté et implémenté un algorithme d'apprentissage profond génératif afin de simuler des galaxies avec une morphologie complexe, au-delà de simples modèles analytiques. Grâce à un premier modèle, l'algorithme apprend à simuler des galaxies réelles, en basant l'apprentissage sur des observations du télescope spatial Hubble. Un second modèle apprend la relation entre la distribution latente des images et leurs paramètres physiques tels que leur taille, leur ellipticité, leur flux… En combinant ces deux modèles, nous pouvons simuler des galaxies réalistes à partir d'un catalogue de paramètres, de la même façon qu'avec des approches analytiques plus standard. J'ai aussi participé à l'intégration de ce code dans le segment sol d'Euclid, afin que les simulations puissent être utilisées par l'ensemble de la collaboration. J'ai ensuite utilisé ces simulations pour quantifier le nombre de galaxies avec une morphologie non triviale que Euclid sera capable de résoudre, en fonction de la profondeur du relevé, du redshift, de la magnitude ou encore de la masse stellaire. J'ai conclu que Euclid observera les détails de la structure interne de ~250 millions de galaxies. Au cours d'un second projet, j'ai analysé les résultats de différents logiciels de modélisation de galaxies, afin de comparer leurs capacités à prédire les paramètres de forme de ces galaxies, notamment les galaxies simulées par deep learning. Il s'agit là d'un premier test afin de pouvoir sélectionner le logiciel qui sera utilisé dans le traitement de données officiel d'Euclid. Pour répondre à des problématiques de haute dimensionnalité de données ainsi que par soucis de reproductibilité, j'ai développé une interface rendue public pour reproduire et analyser encore plus en profondeur ce travail. Dans un second temps, je me suis intéressé au problème dit du recouvrement (blending), ou séparation de source: lorsque deux objets, à différentes profondeurs dans le ciel mais le long de la même direction de visée, se superposent de par la projection sur le plan focal d'un télescope. J'ai tout d'abord analysé le pourcentage de galaxies impactées dans les relevés Euclid, dans différentes configurations. J'ai conclu qu'environ 7% des galaxies du Wide Survey présenteront une zone de superposition, et 5% seront problématiques. Pour le relevé profond, ces pourcentages augmentent à 19% et 16%. J'ai ensuite développé un algorithme de deep learning pour effectuer une détection probabiliste de ces objets. Grâce à mon modèle, appelé Probabilistic U-Net, nous sommes capables de créer des cartes de segmentations (c.a.d détecter les masques des galaxies, ainsi que les zones de superpositions), ainsi que leur incertitude. Cette incertitude est permise du fait que notre modèle contient une partie probabiliste, qui nous permet de produire différentes réalisations de chaque carte, afin d'obtenir la variance pour chaque pixel de notre prédiction. Ainsi, nous sommes capables de détecter avec une haute complétude et pureté des galaxies isolées ou superposées, dans des grands champs d'observation. J'ai prouvé que l'incertitude est corrélée avec des phénomènes physiques: les zones de superpositions sont plus incertaines, ainsi que les bords des galaxies, où le flux est très faible. Ce travail, encore en cours d'analyse, sera proposé en tant que ``deblendeur'' pour la pipeline Euclid.
Fichier principal
Vignette du fichier
111767_BRETONNIERE_2022_archivage.pdf (40.04 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04194156 , version 1 (02-09-2023)

Identifiants

  • HAL Id : tel-04194156 , version 1

Citer

Hubert Bretonnière. Galaxy morphology with Euclid : simulations, forecasts and detection with deep learning. Cosmology and Extra-Galactic Astrophysics [astro-ph.CO]. Université Paris-Saclay, 2022. English. ⟨NNT : 2022UPASP085⟩. ⟨tel-04194156⟩
61 Consultations
10 Téléchargements

Partager

Gmail Facebook X LinkedIn More