Résumé :
Les futurs grands relevés photométriques tels que LSST, délivreront des images multi-bandes pour des milliards de galaxies pour lesquelles des redshifts fiables sont nécessaires pour l'étude des grandes structures de l'Univers et pour contraindre l'équation d'état de l'Energie Noire en utilisant les lentilles gravitationnelles faibles. Cependant, les redshifts spectrocopiques requièrent beaucoup de temps de télescope et il devient de plus en plus nécessaire d'utiliser des redshifts photométriques.
Je présenterai une méthode de Deep Learning basée sur un réseau de neurones convolutionels (CNN) pour la prédiction des redshifts photométriques de galaxies et des fonctions de densité de probabilité associées (PDFs). Nous avons testé notre modèle sur le Main Galaxy Sample du Sloan Digital Sky Survey. Le réseau convolutionel prend en entrée des images 64x64 dans les bandes ugriz, centrée sur les galaxies, et il est entraîne sur 80% de la statistique disponible. Nous avons obtenu une standard déviation σ pour (zspec-zphot)/(1+zspec) de 0.0091, un biais de 0.00010 avec une fraction de points aberrants de 0.31%. C'est une amélioration significative comparé à l'état de l'art (σ ~ 0.0120) obtenu par Beck et al. (2016, MNRAS, 460, 1371). Finalement, je présenterai quelques détails sur des tests qui ont été effectués afin de vérifier la fiabilité statistique des PDFs obtenues, tels que le PIT (Dawid 1984, Journal of the Royal Statistical Society, 147, 278).
En collaboration avec Stéphane Arnouts, Marie Treyer (LAM), Emmanuel Bertin (IAP) et Dominique Fouchez
Début du webinaire : 10h précises, fin 11h au plus tard, ici http://cern.ch/go/7Zlm
