Feedback

Faculté des Sciences appliquées
Faculté des Sciences appliquées
Mémoire
VIEW 97 | DOWNLOAD 80

Master Thesis : Characterizing the performance of the SPHERE exoplanet imager at the Very Large Telescope using deep learning

Télécharger
Bissot, Ludo ULiège
Promoteur(s) : Absil, Olivier ULiège ; Louppe, Gilles ULiège
Date de soutenance : 26-jui-2023/27-jui-2023 • URL permanente : http://hdl.handle.net/2268.2/19340
Détails
Titre : Master Thesis : Characterizing the performance of the SPHERE exoplanet imager at the Very Large Telescope using deep learning
Auteur : Bissot, Ludo ULiège
Date de soutenance  : 26-jui-2023/27-jui-2023
Promoteur(s) : Absil, Olivier ULiège
Louppe, Gilles ULiège
Membre(s) du jury : Fays, Maxime ULiège
Geurts, Pierre ULiège
Langue : Anglais
Nombre de pages : 70
Mots-clés : [en] Deep learning
[en] Neural networks
[en] Astronomy
[en] Exoplanet
[en] High contrast imaging
[en] Telescope
[en] Uncertainty
Discipline(s) : Ingénierie, informatique & technologie > Sciences informatiques
Physique, chimie, mathématiques & sciences de la terre > Aérospatiale, astronomie & astrophysique
Organisme(s) subsidiant(s) : CNRS
Centre(s) de recherche : Laboratoire d'Astrophysique de Marseille
Public cible : Chercheurs
Professionnels du domaine
Etudiants
URL complémentaire : https://github.com/lbissot/Master-Thesis
Institution(s) : Université de Liège, Liège, Belgique
Diplôme : Master : ingénieur civil en science des données, à finalité spécialisée
Faculté : Mémoires de la Faculté des Sciences appliquées

Résumé

[en] Taking direct pictures of extrasolar planetary systems is an important, yet challenging goal of modern astronomy, which requires specialized instrumentation. The high-contrast imaging instrument SPHERE, installed since 2014 at the Very Large Telescope, has been collecting a wealth of data over the last eight years. An important aspect for the exploitation of the large SPHERE data base, the scheduling of future observations, and for the preparation of new instruments, is to understand how instrumental performance depends on environmental parameters such as the strength of atmospheric turbulence, the wind velocity, the duration of the observation, the pointing direction, etc. With this project, we propose to use deep learning techniques in order to study how these parameters drive the instrumental performance, in an approach similar to the one used by Xuan et al. 2018. This project will make use of first-hand access the large SPHERE data base through the SPHERE Data Center at IPAG/LAM (Grenoble/Marseille).


Fichier(s)

Document(s)

File
Access Master_Thesis.pdf
Description: -
Taille: 9.19 MB
Format: Adobe PDF

Auteur

  • Bissot, Ludo ULiège Université de Liège > Master ingé. civ. sc. don. à . fin.

Promoteur(s)

Membre(s) du jury

  • Fays, Maxime ULiège Université de Liège - ULiège > Département d'astrophys., géophysique et océanographie (AGO) > Analyse des données relatives aux ondes gravitationnelles
    ORBi Voir ses publications sur ORBi
  • Geurts, Pierre ULiège Université de Liège - ULiège > Dép. d'électric., électron. et informat. (Inst.Montefiore) > Algorith. des syst. en interaction avec le monde physique
    ORBi Voir ses publications sur ORBi
  • Nombre total de vues 97
  • Nombre total de téléchargements 80










Tous les documents disponibles sur MatheO sont protégés par le droit d'auteur et soumis aux règles habituelles de bon usage.
L'Université de Liège ne garantit pas la qualité scientifique de ces travaux d'étudiants ni l'exactitude de l'ensemble des informations qu'ils contiennent.