Getting to the photon limit : score-based diffusion models for noise correction in JWST data

Après seulement trois ans d'observation, le télescope spatial James Webb (JWST) a déjà révolutionné de nombreux domaines de l'astrophysique. L'un des axes principaux a été la caractérisation des atmosphères des exoplanètes, une tâche dans laquelle le JWST excelle grâce à son ouverture, à son environnement spatial stable au point L2 et à sa très large couverture de longueurs d'onde grâce à des détecteurs infrarouges de pointe capables de cibler de petites planètes, ouvrant ainsi la voie à la caractérisation atmosphérique de mondes rocheux et habitables. Pour contraindre les atmosphères de ces planètes, il faut mesurer le spectre de transmission atmosphérique d'une planète obtenu pendant un transit avec des signaux de l'ordre de quelques dizaines de parties par million (ppm) ou même moins. Cela nécessite souvent un algorithme de prétraitement capable d'extraire des données d'observations bruitées avec une précision limitée par les photons. Les méthodes de prétraitement actuelles ne permettent pas d'atteindre une précision limitée par les photons, principalement en raison de l'incapacité à corriger entièrement le bruit 1/f (corrélé) dans la plupart des détecteurs embarqués à bord du JWST, en particulier l'imageur proche infrarouge et le spectrographe sans fente (NIRISS). Trouver une méthode permettant d'atteindre ce niveau de précision nous permettrait d'explorer plus en profondeur les atmosphères de mondes potentiellement habitables et d'exploiter pleinement les capacités du JWST. Dans cette thèse, on propose une approche différente de la correction du bruit, une méthode qui permet d'obtenir une précision limitée par les photons tout en corrigeant simultanément toutes les sources de bruit additives. Cette méthode examine le problème de la correction du bruit d'un point de vue probabiliste et utilise l'apprentissage automatique, en particulier les modèles de diffusion basés sur les scores, pour apprendre directement la distribution de probabilité complète du bruit d'une manière axée sur les données. Des échantillons du signal propre sous-jacent peuvent être produits à partir de la distribution a posteriori lorsque ce modèle de bruit est combiné à un modèle de diffusion entraîné sur des simulations d'images propres dans un cadre Bayésien. Nous démontrons que cette méthode peut atteindre une précision limitée par les photons sur des données simulées, améliorant ainsi la précision des spectres extraits jusqu'à un facteur de 2,9. Ce travail ouvre la voie à des applications sur des données réelles et à des améliorations significatives de la précision de la spectroscopie de transit.