Classifier les amas de galaxies à l’aide de l’apprentissage automatique

Maria Sadikov ( Université de Montréal )

Les amas de galaxies offrent une opportunité unique pour étudier en détail la rétroaction des noyaux actifs de galaxies, processus par lequel les trous noirs supermassifs au centre des amas de galaxies interagissent avec le gaz environnant. En fait, les amas de galaxies peuvent être séparés en plusieurs classes, différenciées selon l’émission en rayons-X du gaz intra-amas. Pour les amas de galaxies à cœur non-froid (non-cool-core clusters), l’émission est plutôt uniforme; alors que pour les amas de galaxies à cœur froid (cool-core clusters), on observe un intense pic d’émission au centre. Ce pic devrait correspondre à une importante perte d’énergie et donc un refroidissement rapide de l’amas. Cependant, les observations nous montrent le contraire : le gaz est maintenu chaud grâce à la rétroaction du noyau actif de galaxie; processus qu’on souhaite comprendre plus en détail. Afin de cibler les amas à cœur froid, nous avons besoin d’un algorithme pour classifier efficacement les amas de galaxies, surtout avec le développement de puissants télescopes en rayons-X, tels que eROSITA. Nous allons alors avoir une très grande quantité de données à traiter, d’où l’intérêt d’utiliser l’apprentissage automatique. Dans le cadre de cette présentation, je présenterai notre réseau de neurones, qui prédit plusieurs métriques de classification à partir d’une image en rayons-X d’un amas de galaxies. Les images d’entraînement ont été obtenues à partir des simulations cosmologiques hydrodynamiques IllustrisTNG, et le réseau sera ensuite déployé pour traiter des données d’observation.