Réponse pixel non corrélée et non biaisée des détecteurs NIR des missions Euclid et de SVOM

Durant la dernière décennie, l'infrarouge est devenu de plus en plus prépondérant aussi bien dans les missions spatiales que terrestres, lesquelles incluent systématiquement un instrument ou un canal en infrarouge (IR) en photo- ou spectrométrie, permettant ainsi l'observation d'objets avec des décalages vers le rouge plus importants. Un composant clé de ces instruments est le détecteur en infrarouge proche (NIR), dont les performances ont récemment atteint des niveaux proches de celles des détecteurs visibles. Actuellement, le CPPM est impliqué dans deux missions importantes comprenant des détecteurs NIR : SVOM/Colibri avec son canal IR unique au sol et le détecteur ALFA de la caméra CAGIRE, ainsi que Euclid avec son spectrophotomètre IR NISP et son réseau focal de 16 détecteurs H2RG, le plus grand réseau focal IR volant jamais construit. Un objectif fondamental de toute mission utilisant des détecteurs hybrides de pixels NIR est d'obtenir une estimation précise et non biaisée du flux, définie comme la pente du signal d'une acquisition non destructive, pixel par pixel. Pour ces deux missions, bien qu'elles aient des objectifs scientifiques et des stratégies d'observation radicalement différents (reconnaissance des sursauts gamma de haute énergie pour l'une, cartographie de galaxies de très faible flux pour l'autre), les problématiques liées aux détecteurs se chevauchent. L'évaluation du flux est à la fois critique et délicate car elle est directement influencée par les propriétés intrinsèques des détecteurs et des paramètres associés tels que le gain de conversion, l'IPC (capacité inter-pixels), la non-linéarité ou la persistance.

Dans une récente thèse de doctorat au CPPM, sur la mission Euclid, l'importance de prendre en compte les variations spatiales a été démontrée et les paramètres de performance ont été dérivés au niveau du pixel plutôt qu'au niveau du réseau, risquant sinon d'induire des biais dans la détermination des paramètres physiques fondamentaux. De plus, la nécessité de décorréler les effets induits par l'IPC et la non-linéarité dans la réponse du détecteur a conduit à adapter des méthodes existantes pour déterminer un gain de conversion par super-pixel (16*16 pixels) et à proposer des méthodes originales pour décorréler l'IPC et la non-linéarité, corrigeant ainsi les biais qu'ils introduisent dans la détermination du gain de conversion et, par conséquent, du flux.

Clairement, les corrélations observées des différents paramètres de performance requièrent une approche globale et une modélisation pour les déterminer au niveau du pixel, prenant en compte à la fois les variations et corrélations spatiales et temporelles. Ce n'est que dans ces conditions qu'il sera possible d'extraire les cartes de performance non biaisées requises pour l'étalonnage du flux.

L'objectif de ce nouveau travail est de pousser davantage la décorrélation dans une approche globale, potentiellement en développant de nouvelles méthodes et en utilisant les nouvelles stratégies offertes par l'apprentissage automatique. Plusieurs aspects de ce sujet impliquent une approche novatrice avec des avantages indéniables pour les missions présentes et futures et le traitement des données provenant des détecteurs NIR : l'analyse au niveau du pixel et la prise en compte des corrélations sont toutes deux essentielles pour une mission comme Euclid et intensives en calcul, nécessitant une optimisation des algorithmes de calcul et de la programmation ; de plus, une approche par apprentissage automatique pourrait améliorer à la fois les temps de calcul et la précision des résultats (par exemple, obtenir un gain de conversion par pixel plutôt que par super-pixel) ; les analyses seront basées sur une quantité substantielle de données provenant de deux types de détecteurs hybrides calibrés au CPPM, le détecteur ALFA de Lynred et le détecteur H2RG de Teledyne, tous deux basés sur des technologies similaires de couche sensible en MCT mais montrant des comportements clairement différents déjà observés lors des tests initiaux. La comparaison des deux détecteurs affinera les analyses et les modèles et permettra de mieux prendre en compte les comportements subtils.

Les candidats devront avoir une solide formation en instrumentation, statistiques, analyse de données et programmation en python. La thèse sera co-financée par le CNES et le CNRS.