Orateur
Description
Un modèle de fondation est un modèle pré-entraîné sur un très grand volume de données, conçu pour être ensuite réutilisé sur des tâches variées sans ré-entraînement spécifique. Ce paradigme est le même que celui popularisé par les grands modèles de langage (LLM, type GPT), mais appliqué ici à des données scientifiques plutôt qu'à du texte. L'astrophysique produit aujourd'hui des masses de données considérables, ce qui en fait un candidat intéressant pour ce genre d'approches. Plusieurs modèles ont vu le jour ces dernières années, notamment les modèles de fondation AstroCLIP (Parker et al. 2024), AstroPT (Smith et al. 2024) et AION (Parker et al. 2025), ainsi qu'un jeu de données multimodales (Multimodal Universe Collaboration et al. 2024).
Je proposerai un retour d'expérience construit autour de trois applications concrètes. Dans un premier temps, je présenterai le travail réalisé lors du hackathon AISSAI AstroInfo 2025, où nous avons comparé les représentations apprises par les trois modèles susmentionnés sur des images Euclid Q1 et des spectres DESI DR1. Ensuite, je reviendrai sur les résultats obtenus par Ronceray et al. (2026), qui ont étendu ce travail à la détection d'anomalies non supervisée. Je conclurai enfin sur leur usage génératif pour synthétiser des propriétés physiques de galaxies et d'étoiles, développé dans le cadre du projet ANR DISPERS via un projet mené avec le CentraleDigitalLab (Centrale Méditerranée), aboutissant au package mockcraft.