Soutenance de thèse de VIVIEN Hugo
Titre de thèse
Développement et évaluation de la performance d'un réseau de neurones pour la détection et la classification de transits d'exoplanètes.
Development and performance evaluation of a convolutional neural network for the detection and classification of planetary transits.
Résumé de la thèse
La population d'éxoplanètes connues a grandi rapidement au cours des deux dernières
décennies. Les défis qui se profilent sont double : (i) la détection de petites planètes,
rocheuses, et tempérées, et (ii) évaluer les paramètres physique et dynamique des
planètes en détail, pour mieux comprendre la formation et l'évolution planétaire.
Dans ce travail, je propose de créer un modèle en apprentissage profond, avec
la capacité de détecter les positions de transits dans des courbes de lumières sans
filtrage préalable. Le modèle que je crée, PANOPTICON, est entraîné sur des courbes de
lumières PLATO , incluant des signaux de variabilités stellaires, ainsi que des binaires à
éclipse, et des binaires à éclipse de fond. La population d'exoplanètes incluse est variée,
avec un biais vers les petite planètes, pour explorer la capacité de cette approche pour
détecter des planètes difficiles. J'évalue également le modèle sur d'autres jeux de
données, et entraîne une version dédiée sur des données réelles TESS . Sur les données
simulées PLATO , j'obtiens un taux de récupération des planètes de ≈ 86 à 90 %, pour
un taux de fausse alarme respectif de 0 à 1 %. Lorsque appliqué sur un nouveau jeu
de données, bien que toujours dans le cas particulier de PLATO , mais simulé avec
une approche complètement différente de la nôtre, le modèle est capable de retrouver
approx ≈ 99 % des planètes dans celui-ci. La version entraînée sur TESS présente des
performances similaires, avec un taux de récupération de 96 % et un taux de fausses
alarmes de 0.44 %.
Je détermine également les propriétés d'exoplanètes dans deux systèmes clefs.
J'analyse des observations CHEOPS de K2-138 , un système multi-planétaire, et de TOI-
2128, un système d'étoile binaire. Pour K2-138 , les courbes de lumières sont analysées
avec pycheops, dans lesquelles j'identifie premièrement les planètes responsables des
transits observés, car les éphémérides avaient dérivées par rapport aux observations.
En les combinant aux observations antérieures, j'affine ensuite les éphémérides des
planètes du système. Enfin, je procède à une analyse de TTV de première ordre, et
trouve une indication de TTV pour la planète d.
Pour TOI-2128, afin de distinguer les flux des étoiles, j'utilise le logiciel PIPE. Celui-ci
permet de réduire les données et extraire la photométrie par ajustement de PSF, plus
robuste que la photométrie d'ouverture lorsqu'un compagnon stellaire est proche.
Ainsi, j'identifie définitivement l'étoile primaire comme l'hôte de la planète. Couplées
avec les observations TESS précédentes, j'affine les paramètres de la planète. Je trouve
un rayon R p = 2.017+0.181−0.153 R ⊕ , et une composition intérieure supposée ne contenant
que de 10 à 30 pd% de volatiles, et une absence de H / He.
Thesis resume
The population of known exoplanets has been rapidly grown in the past couple of
decades. The next challenges are now twofold: (i) detect small, rocky, and temperate
exoplanets, and (ii) assess planetary systems physical and dynamical properties in
detail, to better understand planetary formation and evolution.
In this work, I propose a deep learning detection method, that is able to directly
pinpoint transits in unfiltered light curves. The model I create, PANOPTICON, is trained
on simulated PLATO light curves, which includes stellar variability signals, as well
as eclipsing binaries, and background eclipsing binaries. The exoplanet population
included is diverse, and biased towards small planets, to explore the efficiency of this
method in detecting difficult planets. I also test the model on other datasets, and train
dedicated versions for real-world TESS data. On the simulated PLATO data, I report
a recovery rate of planets of ≈ 86 to 90 %, for a respective false alarm rate of 0 to 1 %.
When applied to a new dataset, still for the specific case of the future PLATO light
curves, but simulated using a completely different approach, the model is still able
confidently recover ≈ 99 % of the planets in the dataset. The versions trained on TESS
data shows similar performances, with a 96 % recovery rate for a 0.44 % false alarm
rate.
I also determine the properties of exoplanets in two key systems. I analyzed CHEOPS
observations of both K2-138 , a multi-planet system, and TOI-2128, a stellar binary
system. For K2-138 , the light curves were analyzed using the pycheops package, where
I first identified the planets responsible for the observed transits, as the ephemerides
had drifted compared to the observations. Combined to previous observations, I then
refine the ephemerides of the planets in the system. Finally, I conduct a first order
TTV analysis, and find a hint of TTV for planet d.
In TOI-2128, to properly separate the flux of the two individual stars, I used the
PIPE package. This approach uses PSF fitting, which is more robust than aperture
photometry in the presence of a close by companion. This way, I definitely identified
the primary as the host of the planet. Coupled to previous TESS observations, I
refine the planetary parameters. I find a radius of R p = 2.017+0.181−0.153 R ⊕ , and an inferred
internal structure containing only 10 to 30 wt% of volatiles, and almost no H / He.