Soutenance de thèse de Xiao ZHANG

Les pulsars sont des étoiles à neutrons qui tournent rapidement, émettent des ondes électromagnétiques et dont nous recevons des impulsions périodiques, agissant ainsi comme des phares cosmiques. L'extrême stabilité de ces signaux périodiques en fait des outils inestimables, par exemple pour tester la théorie de la relativité générale ou détecter les ondes gravitationnelles basse fréquence. Cependant, leur observation en radio peut être rendue difficile à cause d'interférence radioélectrique (RFI) d'origine diverse. Ces interférences peuvent masquer les signaux des pulsars, ce qui complique significativement la détection et l'extraction précise de leur signature. Cette thèse vise à proposer des techniques d'apprentissage profond pour atténuer l'impact des RFI dans les observations de pulsars. En particulier, cette thèse illustre l'intérêt de ces méthodes dans le cas d'observations menées par NenuFAR, un précurseur pour le segment basse fréquence du futur Square Kilometre Array (SKA). La première partie de cette thèse commence par présenter le contexte astrophysique des pulsars, insistant sur leur importance et leur rôle dans l'astronomie contemporaine. Elle présente ensuite le radiotélescope NenuFAR, en détaillant ses spécifications techniques, ses capacités d'observation et ses avantages uniques dans les observations des pulsars à basse fréquence. Enfin, elle passe en revue et résume les méthodes d'atténuation des RFI en radioastronomie, en analysant les limitations des technologies existantes et en identifiant les principaux problèmes auxquels cette thèse vise à répondre. En particulier, les méthodes actuelles de traitement des RFI conduisent souvent à la suppression des données identifiées comme affectées par des RFI, ce qui entraîne inévitablement une perte d'informations précieuses. Dans la deuxième partie de cette thèse, nous présentons d'abord un cadre de simulation conçu pour générer des données d'observation de pulsars corrompues par des RFI. L'objectif principal de ce cadre est de créer un ensemble de données qui permettant l'entraînement des modèles d'apprentissage profond, contournant alors le manque récurrent de données réelles correctement étiquetées. Après une revue approfondie de l'apprentissage profond et des réseaux de neurones convolutifs, nous soulignons les insuffisances des méthodes de traitement des RFI existantes, qui impliquent généralement l'identification et la suppression des données suspectées d'être perturbées par les RFI. Pour éviter cette perte d'information relever ce défi, nous proposons une nouvelle approche qui consiste à formuler le problème d'atténation des RFI comme une tâche de restauration d'image, visant à reconstruire les signaux altérés par les RFI. En capitalisant sur des avancées récentes en apprentissage profond, nous montrons que cette tâche peut être réalisée efficacement grâce à un réseau, baptisé RFI-DRUnet, dont l'architecture est inspirée d'un réseau débruiteur performant. Dans les chapitres suivants, nous illustrons l'applicabilité et l'efficacité de l'approche proposée sur des données d'observation de pulsars simulées et réelles, la comparant aux approches actuelles basées sur les réseaux neuronaux convolutifs profonds qui détectent les RFI. Les résultats montrent que la méthode proposée peut restaurer efficacement les signaux d'observation altérés par les RFI sous diverses conditions. En outre, nous discutons l'impact potentiel de cette méthode pour améliorer la chronométrie des pulsars.