GammaLearn Des réseaux de neurones pour l astrophysique

(1)

GammaLearn

Des réseaux de neurones pour l’astrophysique

M. Jacquemont au nom de T. Vuillaume, G. Maurin, A. Benoit, P. Lambert, L. Antiga, D. Ciriello, G. Silvestri

Rencontre avec les utilisateurs de MUST, 28/06/2019

(2)

*ASTERICS: european H2020 project

• Thomas Vuillaume

• Gilles Maurin

• Patrick Lambert

• Alexandre Benoit Thèse co-dirigée

Mikaël Jacquemont

Le projet GammaLearn

(3)

Mikaël Jacquemont, 28/06/2019

Astronomie gamma

3

wikipedia

ESA/NASA

Supernova

Noyau de galaxie actif Pulsar

NASA

Rayons gamma

…

(4)

Télescope à imagerie Tcherenkov atmosphérique

(5)

Le Cherenkov Telescope Array (CTA)

• Observatoire pour l’astronomie gamma

– > 1400 membres de 31 pays

• 2 réseaux de télescopes sur 2 sites (Canaries et Chili)

– 108 télescopes au total – 3 tailles de télescope

• En construction. Premier prototype sur site inauguré en octobre 2018

• 210 Po de données / an !

5

Credit: Gabriel Pérez Diaz, IAC, SMM

(6)

Le projet GammaLearn

Credit: kisspng.com Credit: Akihiro Ikeshita, Mero-TSK, International

(7)

➔ Créer un modèle d’un phénomène Exploiter les données

7

Modélisation “classique”

• Règles expertes

• Connaissance de la physique du problème

• Fonctions mathématiques

Machine Learning

• Outils / méthodes

Données

Modèle

?

(8)

S’inspirer du cerveau humain

• Structure

• Mode d’apprentissage Le neurone

Le Deep Learning

(9)

Le réseau de neurones

• Organisation en couches Difficultés

• Quelle structure

• Apprentissage : des millions de paramètres à ajuster

 Calculs parallélisables

 Utilisation des GPU (2009)

 Gain de 10 à 70 (temps de calcul)

 MUST (6 K80 + 1 P6000 + 1 V100)

Le Deep Learning

9

Apprendre = minimiser l’erreur

Grant NVIDIA

(10)

Le Deep Learning avec MUST

Configuration Données

GammaLearner Outils de

Visualisation

Working node

conda env

MUST

Lancement du job (script)

Modèle entrainé

(11)

Analyse des données du Cherenkov Telescope Array (CTA) avec le Deep Learning:

• Séparation gamma / proton

• Reconstruction des paramètres gamma

– Energie – Direction

Objectifs de GammaLearn

11

Sur MUST

 10700 heures de GPU

 13400 heures de CPU

(12)

Energy

Direction

Impact point

Architecture

• 5 layers convnet

• Multitask learning

• Indexed convolutions

• Image charges and peak times

Exemple d’architecture

Features vector

Charges

Peak times

Conv +

AveragePooling + BN + ReLU

Multitasking block

(13)

Résultats préliminaires :

13

Migration matrix of energy

True energy in log10(TeV)

Reconstructed energy in log10(TeV)

1 télescope vs 4 télescopes

(14)

Résumé

• Le Deep Learning s’applique aussi à l’astrophysique

• Ecosystème Deep Learning sur MUST

• MUST est indispensable pour GammaLearn

• La suite : améliorer nos modèles

 Plus de complexité

 Optimisation

(15)

Merci pour votre attention

15 11/12/2018

(16)

Backup

(17)

17

Architecture

• 4 layers convnet

• Indexed convolutions

• Image charges

CTA LST: Gamma / proton separation

Conv + MaxPooling + ReLU

Fully connected layers

(18)

Résultats préliminaires : 1 télescope

Migration matrix of altitude Migration matrix of azimuth

True altitude in rad True azimuth in rad

Reconstructed altitude in rad Reconstructed azimuth in rad

(19)

19 Convolution

block

Convolution block

Shared weights

Multitasking block

Energy

Direction

Impact point

Stereoscopy

Feature vectors concatenation

First year’s work

2. Building a model of the data

• Testing different architectures

• First step, only LSTs

(20)

Résultats préliminaires : 4 telescopes (stéréoscopie)

Migration matrix of altitude Migration matrix of azimuth

True altitude in rad True azimuth in rad

Reconstructed altitude in rad Reconstructed azimuth in rad