Identification par apprentissage machine et analyse de régions de diffusion électronique à la magnétopause terrestre observées par la mission MMS

Soutenance de thèse de Quentin Lenouvel, Salle de Conférence

Résumé de la thèse :

La reconnexion magnétique est un processus physique qui intervient quand des lignes de champ magnétique opposées interagissent ensemble, résultant en un changement de la topologie magnétique et un transfert de l’énergie magnétique vers l’énergie des particules environnantes. Ce phénomène peut être retrouvé dans de nombreux contextes astrophysiques dont l’un est à la magnétopause des planètes où le vent solaire et la magnétosphère interagissent ensemble. De nombreuses études ont été réalisées à ce sujet depuis les années 80 en utilisant des simulations et des données d’observations de missions comme THEMIS ou CLUSTER. Cependant, le cœur du processus de reconnexion, la région de diffusion électronique (ou Electron Diffusion Region), restait largement non étudié à cause de de la difficulté de son observation jusqu’au lancement de la mission Magnetospheric Multiscale (MMS) en 2015. Depuis lors, de plus en plus d’études sur l’EDR ont vu le jour grâce à la résolution sans précédent des données produites par MMS mais manquent toujours d’un nombre significatif de cas afin de généraliser les résultats obtenus, le nombre d’EDR identifiées n’était en effet que d’environ 32 en 2018 et n’a pas beaucoup changé dans les années suivantes.

Dans cette thèse, je détaille le travail que j’ai mené dans le but d’identifier de nouvelles EDR dans les données de la mission MMS en utilisant des techniques d’apprentissage profond et pour étudier certains des aspects de l’EDR qui ne sont pas encore complètement compris par la communauté scientifique comme la structure de l’EDR ou encore la conversion d’énergie au sein de cette région.

J’ai tout d’abord développé un Perceptron Multicouche pour identifier automatiquement de nouveaux cas d’EDR en utilisant 32 cas précédemment rapportés dans la littérature comme base de données d’entraînement. Ce modèle utilise plusieurs paramètres physiques classiques comme le champ magnétique, le champ électrique ainsi qu’un scalaire dérivé que j’ai créé appelé le « MeanRL ». Ce paramètre a été conçu pour caractériser l’une des signatures clés de l’EDR à savoir la présence de formes de croissants dans les fonctions de distribution des vitesses des électrons prises dans cette région. L’algorithme entraîné a été appliqué aux données de la phase 1a de MMS et a permis l’identification de 18 nouveaux candidats d’EDR. Quatre fois plus d’EDR présentant de la conversion d’énergie positive (inner EDR) que d’EDR présentant de la conversion d’énergie négative (outer EDR) ont été trouvés durant la phase 1a, et il a été trouvé que le terme inertiel de la loi d’Ohm généralisée est responsable de la décélération des électrons dans l’outer EDR, causant la conversion d’énergie négative observée dans cette région.

J’ai ensuite utilisé les anciens et nouveaux cas d’EDR rapportés afin d’effectuer plusieurs études portant sur : le lien entre les paramètres du vent solaire et la conversion d’énergie à l’EDR, de potentiels nouveaux paramètres de petite échelle pour identifier des EDR, la position de plusieurs points d’intérêts au sein de l’EDR ainsi que sur l’intensité et les composantes parallèles/perpendiculaires de la conversion d’énergie à l’EDR.

Pour finir, j’ai conçu un réseau de neurones convolutionel (CNN) comme moyen alternatif pour rechercher des EDR. Ce modèle analyse les fonctions de distribution des vitesses des électrons pour directement chercher des croissants électroniques et essaie d’être une amélioration du paramètre « MeanRL ». Les cas montrant de tels croissants sont alors analysés « à la main » pour confirmer ou non l’identification d’une EDR. Ce CNN a été appliqué sur les données de la phase 1b de MMS qui n’avait pas été traitée par le premier algorithme et a permis la détection de 17 cas additionnels d’EDR, amenant le nombre total d’EDR identifiés à environ 70 lors de l’écriture de cette thèse.

Composition du jury de thèse :

• M. Christian JACQUEY     – Examinateur (Astronome, IRAP, Toulouse)
• Mme Karine ISSAUTIER  – Examinatrice (Directrice de Recherche au CNRS, LESIA, Meuson)
• M. Vincent GÉNOT          – Directeur de thèse (Astronome, IRAP, Toulouse)
• M. Philippe GARNIER      – Co-directeur de thèse (Maître de conférences, IRAP, Toulouse)
• M. Roch SMET                – Rapporteur (Professeur adjoint, LPP, Paris)
• Matthieu KRETZSCHMAR – Rapporteur (Maître de conférences, LPC2E, Orléans)