Un algorithme génétique pour la sismologie stellaire Stéphane Charpinet Physique Stellaire - LATT I. Une brève introduction à l'astérosismologie II. L'approche directe : un problème d'optimisation globale III. Un algorithme génétique pour la sismologie stellaire IV. Exemple d'analyse astérosismique V. En conclusion I. Une brève introduction à l'astérosismologie Les étoiles variables pulsantes Diagramme de Hertzsprung-Russell – évolution stellaire Luminosité A divers stades évolutifs, certaines étoiles développent des variations de luminosité multi-périodiques associées à des phénomènes de pulsations (ou oscillations). sdOV Les phases évoluées (naines blanches, branche horizontale extrême) comptent 7 classes d'étoiles variables pulsantes Le Soleil hot-DQV Température de surface I. Une brève introduction à l'astérosismologie Détection des oscillations stellaires Détection photométrique par la mesure de la brillance de l'étoile en fonction du temps Exemple de série temporelle obtenue par le satellite Kepler pour une étoile de la branche horizontale extrême Analyse de Fourier + techniques de prewhitening permettent d'extraire les fréquences (périodes) d'oscillation. Ici, les oscillations ont des périodes de 1h à 4h et l'étoile montre un spectre assez riche (+ de 60 fréquences) I. Une brève introduction à l'astérosismologie Théorie et calcul des pulsations Nature des oscillations: Ces variations sont dues à la propagation d'ondes dans l'étoile modes acoustiques (ou modes p) modes de gravité (ou modes g) Chaque fréquence est associée à un mode propre d'oscillation de l'étoile Théorie linéaire des pulsations nonradiales : Chaque mode propre est défini par 3 entiers k, l, m : l et m → structure nonradiale du mode (harmonique sphérique) k → ordre radial du mode (nombre de noeuds dans la dir. radiale) Calcul théorique des modes d'oscillation: Un calcul précis est possible à partir de modèles détaillés de la structure à l'équilibre de l'étoile en résolvant les équations d'oscillation → pour chaque mode (k,l,m) est calculée sa fréquence/période Or, ces fréquences dépendent de la structure interne de l'étoile Sismologie stellaire ↔ déduire la structure interne à partir des fréquences observées II. L'approche directe : un problème d'optimisation globale Principe The objective: Find the best possible model(s) that match the periods seen in the studied pulsating star This is a global optimization problem. The method A forward modelling approach that involves a « double-optimization » scheme : ● The first optimization in the pulsation period domain finds the best possible simultaneous match between observed and computed periods from a model of given parameters. This match is evaluated through a « merit function » : N obs S =∑ 2 i=1 i i i 2 P obs − −P P th i minimized, with or without external constraints, among all possible period combinations. II. L'approche directe : un problème d'optimisation globale La première optimisation L'objectif : reproduire au plus près toutes les périodes observées dans l'étoile analysée 1.Basic operation: The first optimization Search for the best simultaneous fit of N observed periods among M (M > N) theoretical periods available from a given model. Parameters (P1, P2, ..., PN) Stellar model calculation → find among all possible associations, with or without constraints, the period combination such that Pulsation calculation This combinatorial optimization problem is solved by a GA-based period matching code. Computed Periods Period matching code Observed Periods + Mode identification Observations II. L'approche directe : un problème d'optimisation globale La seconde optimisation A forward modelling approach that involves a « double-optimization » scheme : ● The first optimization in the pulsation period domain finds the best possible simultaneous match between observed and computed periods from a model of given parameters. This match is evaluated through a « merit function » : N obs =∑ 2 i=1 i i 2 P obs − P th i minimized, with or without external constraints, among all possible period combinations. ● The second optimization takes place in the parameter space and minimizes χ2 as a function of the model parameters. ➔ An efficient code based on Genetic Algorithms (GA) has been developped for that purpose. III. Un algorithme génétique pour la sismologie stellaire Les algorithmes génétiques Principe de fonctionnement Faire évoluer une population, à l'origine aléatoire, de solutions au problème à optimiser pour amener au moins une solution vers l'optimum que l'on cherche. Chaque individu (solution) est caractérisé par: ● ● un génotype (« chromosome » codé à partir des paramètres à optimiser) une valeur adaptive (obtenue de la fonction à optimiser pour les paramètres associés). L'évolution de génération en génération se fait par sélection préférentielle des individus les plus aptes et par l'application sur leur « chromosomes » d'opérateurs qui assurent à la fois la production de meilleurs individus et la diversité dans la population: ● ● Opérateur de croisement → e.g., 2 individus parents mèlent leurs chromosomes et produisent des enfants possédant de nouvelles propriétées dérivées des parents Opérateur de mutation → modifications aléatoires sur les chromosomes Choisir avec une plus grande probabilité les individus les plus aptes pour le croisement introduit une pression de sélection qui élimine les solutions les moins bonnes et favorise l'émergence d'individus plus aptes (… à optimiser la fonction choisie). C'est, en quelque sorte, du darwinisme numérique. III. Un algorithme génétique pour la sismologie stellaire Les algorithmes génétiques Avantages ● Optimisation globale, exploration de l'espace des paramètres avec peu d'individus ● Algorithmes très robustes, indépendamment de la fonction à optimiser Algorithmes adaptés à la parallélisation massive (si le calcul de la fonction à optimiser est lourd... et c'est le cas pour la sismologie stellaire). ● ● Intégration simple d'éventuelles contraintes externes. Inconvénients Efficace pour localiser la solution globale... beaucoup moins pour une convergence précise Mais il est possible de faire des algorithmes hybrides (simplexe, gradiants, ...). Le code génétique « LUCY » développé pour la sismologie stellaire: Optimisation multi-modale → optimum global et solutions secondaires (spéciation) GA hybride (couplé avec la méthode du simplexe), codage réel des chromosomes, massivement parallèle (utilisé en ce moment sur GRID'5000, CALMIP). III. Un algorithme génétique pour la sismologie stellaire Performances du code LUCY – Illustrations Maxima in a 2-dimensional random gaussian landscape : i i j j −gij x − x − f x =MAX Nk=1 k e y ; x i = x , y with k ,, i , j , gij random N=1 GA: 100 individuals evolved over 100 generations III. Un algorithme génétique pour la sismologie stellaire Performances du code LUCY – Illustrations Maxima in a 2-dimensional random gaussian landscape : i i j j −gij x − x − f x =MAX Nk=1 k e y ; x i = x , y with k ,, i , j , gij random N=5 GA: 100 individuals evolved over 100 generations III. Un algorithme génétique pour la sismologie stellaire Performances du code LUCY – Illustrations Maxima in a 2-dimensional random gaussian landscape : i i j j −gij x − x − f x =MAX Nk=1 k e y ; x i = x , y with k ,, i , j , gij random N = 50 GA: 100 individuals evolved over 100 generations III. Un algorithme génétique pour la sismologie stellaire Performances du code LUCY – Illustrations Maxima in a 2-dimensional random gaussian landscape : i i j j −gij x − x − f x =MAX Nk=1 k e ; x i = x , y with k ,i , j , gij random N = 200 GA: 500 individuals evolved over 100 generations III. Un algorithme génétique pour la sismologie stellaire Performances du code LUCY – Illustrations Maxima in a 2-dimensional random gaussian landscape : i i j j −gij x − x − f x =MAX Nk=1 k e ; x i = x , y with k ,i , j , gij random N = 2000 GA: 500 individuals evolved over 100 generations III. Un algorithme génétique pour la sismologie stellaire Performances du code LUCY – Illustrations III. Un algorithme génétique pour la sismologie stellaire Performances du code LUCY – Illustrations III. Un algorithme génétique pour la sismologie stellaire Performances du code LUCY – Illustrations III. Un algorithme génétique pour la sismologie stellaire Performances du code LUCY – Illustrations Avec des optima non localisés: III. Un algorithme génétique pour la sismologie stellaire Performances du code LUCY – Illustrations Avec des optima non localisés: Les solutions se distribuent sur les anneaux Inconvénient: cela absorbe les ressources de l'algorithme III. Un algorithme génétique pour la sismologie stellaire Intérêt pour l'astérosismologie In summary, the great advantages of this GA code are : 1) Detection of the best optimum (highest max or lowest min) is extremely robust, even for complex situations 2) It provides a global overview of the landscape's topology by spotting efficiently secondary optima When applied to asteroseismology, the code ensures with a fairly high degree of confidence that the best-fit model in the multi-dimensional parameter space is found, as well as all eventual secondary solutions of interest. The asteroseismic model solutions are therefore « objectively » found, in the sense that the search is exhaustive. IV. Exemple d'analyse astérosismique Sondage du noyau d'une étoile évoluée 43 fréquences à reproduire modes g pénètrant jusqu'au noyau Coupe 2D, vue globale centrée sur la solution 1 Modèles à 4 paramètres (optimisation 4D): M, Menv, Mcore, X(C+O) Minimisation de χ2 avec contraintes Spectroscopie → log g et Teff 2 « Projection » de la fonction χ (4D), autour des 2 solutions IV. Exemple d'analyse astérosismique Identification des modes Chaque solution correspond à une identification légèrement différente des périodes observées IV. Exemple d'analyse astérosismique Les paramètres structuraux de l'étoile Paramètres structuraux de l'étoile permettant de reproduire au mieux les fréquences de pulsation observées (sur la base des modèles stellaires utilisés). V. En conclusion Cet algorithme génétique est un outil puissant pour la sismologie stellaire Interprétation des données sismiques → Informations sur les étoiles étudiées Test et amélioration de la physique des modèles stellaires sous-jacents De manière générale, les GA ont un gros potentiel et beaucoup de problèmes complexes peuvent se formuler en terme d'optimisation globale.