Soutenance de thèse de Simon Bouriat (IPAG) le 1er décembre 2023 à 14h

Annonce transmise par Mathieu Barthélémy (IPAG)

Je vous informe que ma soutenance de thèse intitulée "Apprentissage machine pour la modélisation et la prévision des flux d'électrons auroraux de basse énergie" aura lieu le 01/12/2023 à l'IPAG, 414 rue de la Piscine, Grenoble en salle Forestini, à 14h (heure de Paris), 13h UTC.

Il est possible d'y assister à distance via le lien suivant (Zoom) : https://univ-grenoble-alpes-fr.zoom.us/j/97769256570?pwd=SU5mSUpWV1BZZnZ...

Le jury est composé de :

    ADELINE PAIEMENT - Maîtresse de Conférences, HDR, Université de Toulon, Rapporteure
    THIERRY DUDOK DE WIT - Professeur des Universités,  Université d'Orléans, Rapporteur
    SIMON WING Professeur - John Hopkins University, Examinateur
    FREDERIC PITOUT - Astronome Adjoint,  Université Toulouse III - Paul Sabatier, Examinateur
    MINNA PALMROTH -  Professeure, Helsingin Yliopisto, Examinatrice
    ERIK KERSTEL -  Professeur des Universités, Université  Grenoble Alpes, Examinateur

Résumé de la thèse:

Dans le cadre de la météorologie de l'espace, les méthodes et outils d'intelligence artificielle (IA) ont un rôle à jouer et peuvent nous aider à modéliser, prévoir et comprendre certains phénomènes

Cette thèse est une collaboration entre l'industrie et la recherche. Elle se concentre sur la modélisation et la prévision des flux d'électrons auroraux de basse énergie (< 30 keV) tels que mesurés par les instruments SSJ/4 et SSJ/5 du programme DMSP. Pour cela, deux familles de modèles d'IA sont utilisées: les Réseaux Neuronaux Entièrement Connectés (FCNN) et les Réseaux Convolutionnels Temporels (TCN). Pour les entrainer, nous utilisons les mesures de vent solaire, les composantes du champ magnétique interplanétaire et certains indices proche-Terre, mesurés par le satellite ACE et par la base de données OMNIWeb de la NASA. Pour des raisons pratiques et d'applications industrielles, nous avons utilisé les librairies PyTorch et PyTorch-Lightning. Données, modèles et résultats ont été méticuleusement évalués et comparés à OVATION, modèle le plus largement utilisé par la communauté, et PrecipNet, un FCNN, qui s'avère être le plus performant actuellement.

Nos FCNN et TCN obtiennent des performances bien supérieures à OVATION sur les métriques utilisées mais que très légèrement meilleures à PrecipNet. De plus, PrecipNet est, par construction et prétraitement des données, difficile à adapter à de nouvelles problématiques, ce qui fait de notre produit une meilleure réponse aux besoins d'industrialisation. Enfin, si le FCNN a posé des bases et performances solides, c'est le TCN qui s'est révélé le plus prometteur, par sa capacité à gérer d'importantes plages de données temporelles et ce malgré son temps d'entrainement plus long et son besoin en données continues. Des solutions à ces problèmes telles que des interpolations spécifiques, de nouveaux jeux de données, ou des combinaisons d'architectures ont été envisagées et feront l'objet de travaux futurs.

Un des avantages de cette étude est qu'elle pose une base réadaptable et combinable avec de nouvelles données pour répondre à d'autres problématiques. En particulier, une idée prometteuse est la combinaison du TCN avec la méthode des "gradients intégrés" qui permet de renforcer l'interprétabilité du modèle. Il sera ainsi possible de remonter à des informations comme le délai entre l'entrée et la sortie ou savoir quel paramètre de vent solaire a le plus d'influence sur ce qu'il se passe près de la Terre.

Simon Bouriat