Soutenance de thèse de SAUNIERE Lucas
Titre de thèse
Modélisation de la réponse instrumentale de l'instrument NISP d'Euclid
Modeling the instrumental response of the Euclid NISP instrument
Résumé de la thèse
Dans le contexte de nouvelles missions scientifiques telles que le télescope spatial emph{Euclid}, les systèmes optiques sont devenus de plus en plus complexes, tout en nécessitant une caractérisation précise pour répondre à des exigences scientifiques strictes. Visant à cartographier la géométrie de l'Univers sombre à travers des mesures de lentilles gravitationnelles faibles et d'amas de galaxies, la mission emph{Euclid} repose alors sur une connaissance précise de la fonction d'étalement du point (Point Spread Function, PSF). Cette thèse aborde le problème inverse délicat de l'extraction des aberrations optiques à partir d'observations de PSF en utilisant des techniques d'apprentissage automatique, avec une application à l'instrument spectromètre et photomètre infrarouge proche (NISP).
Nous développons deux approches différentes : ZerNet, une architecture de réseau de neurones inspirée des modèles Inception, qui sert de preuve de concept sur des données PSF simulées propres, et texttt{spread} (Statistical PSF Reconstruction and Extraction using Adapted Diffusion), un pipeline modulaire intégrant l'estimation du bruit, le débruitage basé sur la diffusion, et l'extraction de coefficients même face à des conditions d'observation réalistes. En représentant les erreurs de front d'onde sous forme de coefficients de polynômes de Zernike, ces méthodes apprennent des relations non linéaires complexes entre les distributions de PSF observées et les aberrations optiques tout en étant entraînées sur des données synthétiques.
Le pipeline texttt{spread} est validé sur plusieurs configurations optiques (miroir primaire obscurci par un secondaire maintenu par 0 à 7 supports), longueurs d'onde (200-1000~nm) et niveaux de bruit, afin de comprendre quelles conditions favorisent ou entravent les performances. Il démontre des résultats prometteurs sur des données synthétiques, avec une estimation robuste des coefficients pour jusqu'à 28 modes de Zernike. L'analyse systématique révèle comment les supports affectent les dégénérescences des coefficients et comment les stratégies de prétraitement peuvent également aider à briser ces symétries.
La méthodologie est adaptée avec succès et appliquée aux observations réelles de mise en service du NISP emph{Euclid}, fournissant des estimations de défocalisation sur l'ensemble du plan focal. La validation indépendante par des mesures traditionnelles d'énergie encerclée confirme que ces résultats présentent un accord satisfaisant, prouvant que notre approche peut extraire des informations significatives à partir de données en vol.
Thesis resume
In the context of new scientific missions such as the emph{Euclid} space telescope, optical systems have become increasingly complex, but still require accurate characterization to meet strict scientific requirements. Aiming at mapping the geometry of the dark Universe through weak gravitational lensing and galaxy clustering measurements, the emph{Euclid} mission then relies on precise knowledge of the Point Spread Function (PSF). This thesis addresses the tricky inverse problem of extracting optical aberrations from PSF observations using machine learning techniques, with an application to the Near Infrared Spectrometer and Photometer (NISP) instrument.
We develop two different approaches: ZerNet, an neural network architecture inspired by Inception models, that serves as a proof-of-concept on clean simulated PSF data, and texttt{spread} (Statistical PSF Reconstruction and Extraction using Adapted Diffusion), a modular pipeline integrating noise estimation, diffusion-based denoising, and coefficient extraction even when dealing with realistic observational conditions. By representing wavefront errors as Zernike polynomial coefficients, these methods learn complex nonlinear mappings between observed PSF distributions and optical aberrations while being trained on synthetic data.
The texttt{spread} pipeline is validated across multiple optical configurations (primary mirror obscured by a secondary held by 0 to 7 support struts), wavelengths (200-1000~nm), and noise levels, to understand which conditions favor or hinder performance. It demonstrates promising results on synthetic data, with robust coefficient estimation for up to 28 Zernike modes. Systematic analysis reveals how the supports affect coefficient degeneracies and how preprocessing strategies can also help break these symmetries.
The methodology is successfully adapted and applied to real emph{Euclid} NISP commissioning observations, providing defocus estimates across the focal plane. Independent validation with traditional encircled energy measurements confirms these results have a close agreement, proving that our approach can extract meaningful information from on-flight data.