Retourner à la liste

Apprentissage machine appliqué aux interactions vent solaire-planètes

Description

Les environnements planétaires (Vénus, Mars, … et bien sûr la Terre) ont été ou sont visités par différentes sondes spatiales dont les mesures permettent de comprendre la dynamique de ces environnements et leur évolution (par ex. l'échappement de l'eau martienne ou le rôle du vent solaire). Les instruments de mesures recueillent des informations sur le champ magnétique et/ou la distribution des particules autour de ces corps avec une résolution temporelle de l’ordre de la seconde ou la minute sur des échelles de temps de plusieurs mois à plusieurs années. La thématique de la physique spatiale a donc à disposition de longues séries temporelles (scalaires ou vectorielles) pour différents paramètres physiques.

Une partie du travail du chercheur consiste donc à parcourir ces séries temporelles pour déceler des « événements » qui sont caractérisés par des variations d’un ou plusieurs paramètres à la fois. Selon l’orbite de la sonde, et la nature de ces événements, des modèles permettent de prévoir leur occurrence. D’autres événements sont en revanche plus aléatoires. Détecter de façon automatique les uns et les autres est cependant un graal pour le chercheur; il peut ensuite, par exemple, corréler ces occurrences avec divers paramètres, dont l’activité solaire, afin d’affiner la compréhension de leur dynamique.

La thèse propose d’appliquer des méthodes d’apprentissage machine à cette thématique en vue d’améliorer les algorithmes de reconnaissance automatique et de systématiser leur application. Les méthodes actuelles appliquent en effet des algorithmes ad-hoc, ajustés pour chaque région / frontière / planète et qui ne peuvent donc pas être facilement transposées. Des études préparatoires ont montrées que les méthodes d’apprentissage supervisé (J48, KNN, …) donnent des résultats assez satisfaisants pour la reconnaissance de frontières comme le choc d’étrave et la magnétopause dans la cas martien (cas peu dynamique en fonction du vent solaire). Dans un premier temps, le but de la thèse consistera à affiner ces algorithmes de détection et de les appliquer au cas terrestre (cas très dynamique). La base de données d’entrainement sera fournie par le Centre de Données de la Physique des Plasmas (www.cdpp.eu) qui dispose des mesures de nombreuses missions terrestres et planétaires, ainsi que de tables d’événements de traversées de frontières/régions (qui devront être complétées).

Une des finalités de ce travail sera de mettre en place une reconnaissance « temps réel » des régions traversées par une sonde, ceci dans un but opérationnel de météorologie spatiale (supervision de l’état de l’environnement spatial). Enfin, à partir de ces analyses (sur des volumes de données importants) des modèles « ajustés » de positions des frontières (choc, magnétopause, …) pourront alors être déterminés. Dans un second temps, l’application de méthodes d’apprentissage non supervisé sera explorée afin de détecter des événements sporadiques, c.a.d. qui ne peuvent pas être rattachés simplement aux catégories utilisées pour la reconnaissance automatique des régions. Ces événements, par exemple dus à des instabilités du plasma (modes miroir) ou de pulses de pression du vent solaire (hot flow anomalies), sont la signature de la nature hautement dynamique et non-linéaire des environnements magnétosphériques. Des listes de tels événements sont disponibles dans la littérature.

Enfin la possibilité d’utiliser des données d’entrainement provenant de simulations numériques sera explorée. Les proposants sont partenaires d’une ANR (2018-2021) visant à simuler la réponse des environnements terrestre, martien et herméen à des événements extrêmes solaires. Les simulations correspondantes seront donc à disposition de l’étude proposée et indépendamment des objectifs de l’ANR.

Profil

Etudiant issu de master d'astrophysique/planétologie ou de physique.

Compétences demandées : physique générale, physique des plasmas, planétologie, programmation informatique (le langage Python serait un plus)

Description de la structure
Laboratoire d'accueil : IRAP, Toulouse
Directeur(rice) de thèse/recherche : GENOT Vincent
E-mail du directeur(rice) de thèse/recherche : vgenot@irap.omp.eu
Responsable Cnes de l'offre : AMSIF Kader

Pour postuler à cette offre, nous vous invitons à vous rapprocher du directeur/rice de thèse et compléter avec son aide la partie cofinancement  du formulaire en ligne (Répondre à l’offre)  pour le 1er avril 2019.

Répondre à l'offre Retourner à la liste