Colloque LPSC : Institut MIAI de Grenoble et projets en détection d'exoplanètes et en éco-innovation

by Julien Mairal (INRIA), Marina Reyboz (CEA), Sophie Achard (INRIA)

Thursday 14 Nov 2024, 10:00 → 11:00 Europe/Paris

Trois colloques en un ! Sophie Achard, directrice scientifique du Multidisciplinary Institute in Artificial intelligence (MIAI) de Grenoble, nous présentera MIAI et les opportunités pour le LPSC.

Ensuite, deux intervenants présenteront des projets soutenus par MIAI en détection d'éxoplanètes et en éco-innovation.
- Julien Mairal (INRIA/LJK) : (Deep) machine learning for exoplanet detection in direct imaging at high contrast
- Marina Reyboz (CEA) : Vers une intelligence artificielle eco-innovante

Zoom : https://univ-grenoble-alpes-fr.zoom.us/j/94809986450?pwd=D8OENIB9D2QHKvoQ5heZIdpXQsHAMa.1

 

Abstracts des projets

(Deep) machine learning for exoplanet detection in direct imaging at high contrast

Deep learning has revolutionized image processing and is often considered to outperform classical approaches based on accurate modeling of the image formation process. In this presentation, we will discuss the interplay between model-based and learning-based paradigms, and show that hybrid approaches show great promises for scientific imaging, where robustness and uncertainty quantification is important.  We will focus on the problem of exoplanet detection from direct high-contrast imaging, which is particularly challenging due to the high contrast between the planet and the star luminosities. In addition to tailored instrumental facilities implementing adaptive optics and coronagraphy, post-processing methods combining several images are needed to attenuate the nuisances corrupting the signals of interest. Most of these post-processing methods build a model of the nuisances from the target observations themselves, resulting in strongly limited detection sensitivity at short angular separations due to the lack of angular diversity. To address this issue, we propose to build the nuisance model from an archive of multiple observations by leveraging supervised deep learning techniques. The proposed approach casts the detection problem as a reconstruction task and captures the structure of the nuisance from two complementary representations of the data. The proposed approach also encompasses statistical modelling of learnable spatial features. The latter is beneficial to improve both the detection sensitivity and the robustness against heterogeneous data. We apply the proposed algorithm to several data sets from the VLT/SPHERE instrument, and demonstrate a superior precision recall trade-off compared to recent algorithms currently used in practice. 

This is a joint work with Théo Bodrito, Olivier Flasseur, Jean Ponce, Maud Langlois and Anne-Marie Lagrange.
 

Vers une intelligence artificielle eco-innovante

L’intelligence artificielle induit des changements  profonds  dans  les paysages  scientifiques, économiques,  politiques  et  sociétaux contemporains.  Une décennie après sa  « renaissance », l'apprentissage automatique continue à réaliser des avancées sur de nombreux fronts, au prix cependant  d'une  boulimie  de  ressources  informatiques induisant  une  consommation électrique préoccupante. Les modèles de langage actuels comportent quelques centaines de milliards de paramètres et consomment pour leur entraînement seul plusieurs GWh, ce qui aujourd’hui motive la recherche d’approches (de rupture) plus sobres. Il s’agit du premier axe de l’éco-innovation qui vise à rendre les technologies plus soutenables notamment en travaillant à une meilleure efficacité énergétique des systèmes. Un second axe explore le développement de technologies qui permettent de répondre au juste besoin et d’aider au mieux aux enjeux environnementaux. Nous proposons, dans cette présentation définir l’éco-innovation, et d’explorer des pistes de réflexions dans chacun des deux axes.