🔭 astrophysics

DeepDISC-Euclid: Source Classification and Photometric Redshifts in Euclid Deep Field North With a Pixel-Level Deep Learning Approach

Cet article présente DeepDISC-Euclid, une approche d'apprentissage profond au niveau des pixels qui utilise des images multi-bandes pour réaliser avec succès la classification des sources et l'estimation des décalages vers le rouge photométriques dans le champ profond nord d'Euclid, offrant des performances comparables ou supérieures aux produits Q1 existants, notamment pour les quasars.

Auteurs originaux : Yuanzhe Jiang, Yue Shen, Grant Merz, Shurui Lin, Xin Liu, Zhiwei Pan, Mingyang Zhuang, William Roster, Mara Salvato, Malgorzata Siudek, Grant Stevens

Publié 2026-04-06

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yuanzhe Jiang, Yue Shen, Grant Merz, Shurui Lin, Xin Liu, Zhiwei Pan, Mingyang Zhuang, William Roster, Mara Salvato, Malgorzata Siudek, Grant Stevens

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Titre : DeepDISC-EUCLID : Le Super-Héros de l'Intelligence Artificielle qui trie les étoiles pour la mission Euclid

Imaginez que l'Univers est une immense bibliothèque remplie de milliards de livres (les étoiles, les galaxies et les quasars). La mission spatiale Euclid est comme un robot bibliothécaire ultra-rapide qui prend des photos de cette bibliothèque. Mais il y a un problème : il y a trop de livres, ils sont empilés les uns sur les autres, et le robot ne sait pas toujours distinguer un roman (une étoile) d'une encyclopédie (une galaxie) ou d'un livre rare et mystérieux (un quasar).

C'est là qu'intervient DeepDISC, le nouveau "cerveau" artificiel décrit dans cet article, conçu pour aider Euclid à trier ce chaos.

Voici comment cela fonctionne, expliqué simplement :

1. Le Problème : Un Tapis-Rouleau Trop Chargé

La mission Euclid a lancé sa première livraison de données (Q1). C'est un flot ininterrompu d'images de l'espace. Les méthodes traditionnelles pour classer ces objets sont un peu comme essayer de trier des pièces de monnaie avec des gants de boxe : c'est lent et parfois imprécis, surtout pour les objets les plus étranges comme les quasars (des trous noirs supermassifs qui brillent énormément).

2. La Solution : Un Entraînement de "Jeux Vidéo"

Les chercheurs (une équipe internationale dirigée par l'Université de l'Illinois) ont créé un système d'intelligence artificielle appelé DeepDISC. Au lieu de lui donner des règles écrites, ils lui ont appris en lui montrant des milliers d'exemples, un peu comme on entraîne un chien de police.

Ils ont utilisé trois "entraîneurs" spécialisés (trois modèles) :

Le Détective (Modèle 1) : Il regarde les images et dit : "Tiens, il y a un objet ici !" et "C'est une étoile, une galaxie ou un quasar ?". Il est très bon pour séparer les objets qui sont collés les uns aux autres (comme séparer deux amis qui se tiennent la main sur une photo de groupe).
L'Astronome Galactique (Modèle 2) : Il se concentre uniquement sur les galaxies pour estimer leur distance (leur "décalage vers le rouge" ou redshift).
Le Chasseur de Quasars (Modèle 3) : Spécialiste des quasars, il est entraîné spécifiquement pour ne pas les confondre avec des galaxies ordinaires.

3. L'Entraînement : La Réalité vs. La Simulation

Pour apprendre, l'IA a eu besoin de "corrigés" (des réponses justes). Les chercheurs ont utilisé les données de DESI (un autre télescope qui a déjà mesuré la distance de millions d'objets avec une précision chirurgicale) comme référence.

L'analogie : Imaginez que vous apprenez à un élève à reconnaître des animaux. Vous lui montrez des photos d'animaux réels avec leur nom écrit en dessous (DESI). L'élève (DeepDISC) regarde ensuite de nouvelles photos et doit deviner le nom. S'il se trompe, on lui explique pourquoi.

4. Les Résultats : Une Précision Éblouissante

Après avoir mangé des terabytes de données, DeepDISC a été mis à l'épreuve sur le champ profond du Nord (EDF-N), une zone du ciel riche en objets.

La Détection : Il a trouvé 93 % des objets que le catalogue officiel d'Euclid avait vus, mais il en a même trouvé 30 % de plus ! C'est comme si un nouveau détective arrivait dans une pièce et trouvait des objets que le premier avait manqués, surtout ceux cachés dans les coins ou mélangés.
La Classification :
- Pour les étoiles et les galaxies, il est quasi parfait (plus de 99 % de réussite).
- Pour les quasars (les plus difficiles), il a réussi à les identifier correctement dans 85 % des cas, ce qui est bien mieux que les méthodes précédentes qui avaient beaucoup de mal à les distinguer des galaxies.
La Distance : Il estime la distance des objets avec une précision impressionnante, bien meilleure que les anciennes méthodes pour les quasars.

5. Pourquoi c'est Important ?

Ce travail est comme donner une loupe magique aux astronomes.

Avant, les quasars étaient un peu les "moutons noirs" de la classification, souvent mal identifiés.
Maintenant, avec DeepDISC, nous avons un catalogue de 13 millions d'objets bien étiquetés.
Cela permet d'étudier l'histoire de l'Univers, la matière noire et l'énergie noire avec une clarté nouvelle.

En Résumé

Les chercheurs ont créé un outil d'intelligence artificielle qui ne se contente pas de compter les étoiles, mais qui les comprend. En utilisant des techniques de "vision par ordinateur" (comme celles utilisées pour les voitures autonomes), ils ont réussi à trier le ciel plus vite et mieux que jamais.

C'est comme passer d'un tri manuel fastidieux à un tri automatique ultra-rapide et intelligent. Et le meilleur ? Ce n'est que le début. À mesure qu'Euclid prendra plus de photos et que nous aurons plus de données de référence, ce "cerveau" deviendra encore plus fort, nous permettant de voir l'Univers avec une clarté jamais atteinte auparavant.

Titre : DEEPDISC-EUCLID : Classification des sources et détermination des redshifts photométriques dans le Champ Profond Nord d'Euclid (EDF-N) avec une approche d'apprentissage profond au niveau des pixels.

1. Problématique

La première livraison rapide de données (Q1) du satellite Euclid fournit des images et des données spectroscopiques pour des centaines de millions d'objets photométriques. Pour maximiser la valeur scientifique de ces données, il est crucial d'obtenir des classifications précises (étoiles, galaxies, quasars) et des redshifts photométriques (photo-z) fiables.
Bien que le pipeline officiel de traitement d'Euclid (PHZ) offre d'excellents résultats pour les étoiles et les galaxies, il présente des limites notables :

Identification des quasars : La distinction entre les quasars (QSO) et les galaxies reste difficile, entraînant une classification sous-optimale.
Redshifts pour les quasars : Les photo-z fournis par PHZ sont conçus principalement pour les galaxies et ne sont pas optimaux pour les quasars.
Besoin d'alternatives : Il existe un besoin de méthodes capables de traiter simultanément la détection, le déblending (séparation des sources superposées), la classification et l'estimation des redshifts avec des distributions de probabilité complètes.

2. Méthodologie

Les auteurs utilisent un cadre d'apprentissage profond supervisé appelé DeepDISC, qui opère au niveau des pixels en utilisant simultanément des images de 9 bandes (4 bandes Euclid : IE, YE, JE, HE + 5 bandes au sol UNIONS : u, g, r, i, z).

Stratégie d'entraînement et de données :

Données d'entrée : Images mosaïquées de 9 bandes du Champ Profond Nord (EDF-N) issues de la livraison Q1 d'Euclid.
Étiquettes de vérité terrain (Ground Truth) :
- Détection : Cartes de segmentation fournies par le pipeline MER d'Euclid.
- Classification et Redshifts : Catalogues spectroscopiques de la première livraison de données du Dark Energy Spectroscopic Instrument (DESI DR1).
Architecture du modèle : Basée sur un réseau de type Swin Transformer avec une architecture Feature Pyramid Network (FPN) et un Region Proposal Network (RPN).
Stratégie de formation en trois étapes (Staged Training) :
1. Modèle 1 (Détection & Classification) : Entraîné conjointement sur les cartes de segmentation Euclid et les classifications DESI. Il produit des cartes de segmentation d'instances et des probabilités de classe (étoile, galaxie, quasar).
2. Modèle 2 (Photo-z Galaxies) : Initialisé à partir du Modèle 1. Les poids du backbone et de la classification sont figés. Seule la tête de réseau (ROI Head) utilisant un Mixture Density Network (MDN) est entraînée sur les redshifts spectroscopiques DESI des galaxies.
3. Modèle 3 (Photo-z Quasars) : Même stratégie que le Modèle 2, mais entraîné exclusivement sur les redshifts DESI des quasars.
  Note : Cette approche en deux étapes est nécessaire car le nombre d'étiquettes spectroscopiques (DESI) est trop faible pour réentraîner l'ensemble du réseau sans dégrader les capacités de détection apprises sur le grand ensemble de données de segmentation Euclid.

3. Contributions Clés

Développement d'un catalogue complet : Production d'un catalogue de 13,35 millions d'objets pour l'EDF-N, incluant coordonnées, classifications et redshifts photométriques (avec distributions de probabilité PDF).
Approche pixel-level intégrée : Capacité à effectuer la détection, le déblending (séparation des sources), la classification et l'estimation des photo-z simultanément sur les images brutes.
Amélioration spécifique pour les quasars : Développement de modèles dédiés qui surpassent les méthodes actuelles d'Euclid pour l'identification et la mesure des redshifts des quasars.
Libération des données : Mise à disposition publique du catalogue complet et des cartes de segmentation.

4. Résultats

A. Détection et Purity (Pureté)

Complétude : ~93 % (rappel) par rapport au catalogue Euclid MER.
Pureté : 80 % par rapport à Euclid MER, mais estimée à **90 %** lorsqu'utilisant un catalogue de référence JWST (NEXUS) sur une sous-région, indiquant que DeepDISC détecte de vrais objets manquants dans le catalogue Euclid.
Déblending : Le modèle réussit mieux à séparer les sources proches, notamment celles situées près des pics de diffraction des étoiles, grâce à l'utilisation simultanée des 9 bandes.

B. Classification

Étoiles et Galaxies : Excellente performance avec >99 % de récupération correcte (rappel) et une pureté >98,5 %.
Quasars :
- Rappel : 84,8 % des quasars DESI sont correctement identifiés comme tels.
- Pureté : 90,6 % des objets classés comme quasars par le modèle sont de vrais quasars.
- Comparaison : Surpasse le pipeline Euclid PHZ et le modèle de diffusion (GS25) en termes de rappel et de pureté pour les quasars.

C. Redshifts Photométriques (Photo-z)

Galaxies (Modèle 2) :
- Biais médian : $2.0 \times 10^{-3}$ .
- Dispersion ( $\sigma_{IQR}$ ) : $0.0393$.
- Fraction de valeurs aberrantes ( $\eta$ ) : 5,77 %.
- Performance comparable ou légèrement supérieure au catalogue Euclid PHZ et au modèle AstroPT (MS25), mais sans nécessiter de pré-sélection des galaxies.
Quasars (Modèle 3) :
- Biais médian : $-5.7 \times 10^{-3}$ .
- Dispersion : $0.110$.
- Fraction de valeurs aberrantes : 3,58 %.
- Performance supérieure : Le biais est environ 20 fois plus faible et la dispersion 5 fois plus petite que celle du catalogue Euclid PHZ (qui n'est pas optimisé pour les quasars). Comparable au catalogue X-ray CTP (WR25), mais avec l'avantage de ne pas nécessiter de sélection préalable basée sur les rayons X.

5. Signification et Perspectives

Validation de l'apprentissage profond : Cette étude démontre que les approches d'apprentissage profond au niveau des pixels sont compétitives, voire supérieures, aux méthodes traditionnelles (ajustement de modèles, forêts aléatoires) pour les grands relevés astronomiques comme Euclid et le futur Roman.
Impact scientifique immédiat : Le catalogue libéré permet la construction d'échantillons de quasars plus propres pour les études de clustering et de réionisation, ainsi que des échantillons de galaxies pour l'analyse du lentillage faible.
Limites et Futur :
- Les performances actuelles sont limitées par la couverture spectroscopique de DESI DR1 (notamment pour les galaxies à $z > 1.8$ et les quasars à bas redshift contaminés par leur galaxie hôte).
- Les auteurs prévoient d'améliorer le modèle avec les futures livraisons de données d'Euclid (DR1), les programmes spectroscopiques (Subaru-PFS, JWST NEXUS) et l'adoption de techniques d'apprentissage semi-supervisé pour pallier le manque d'étiquettes spectroscopiques.
- À terme, un entraînement conjoint complet (détection + photo-z) sera possible, maximisant les bénéfices mutuels de ces tâches.

En conclusion, DeepDISC fournit un produit de données indépendant et complémentaire au pipeline officiel d'Euclid, offrant des améliorations significatives, en particulier pour la science des quasars, et posant les bases pour les futures analyses à grande échelle du relevé Euclid.