Thèse Apprentissage et Assimilation de Signatures d'Excentricité pour l'Identification de la Trajectoire Réelle du Système Solaire sur 250 Millions d'Années H/F

Observatoire de Paris

Établissement : Observatoire de Paris
École doctorale : Astronomie et Astrophysique d'Ile de France
Laboratoire de recherche : Laboratoire Temps Espace
Direction de la thèse : Jacques LASKAR ORCID 000000032634789X
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-01T23:59:59

La dynamique du Système solaire interne est chaotique à long terme : au-delà d'environ 60 millions d'années, des intégrations numériques issues de conditions initiales quasi identiques divergent fortement, produisant des dizaines de milliers de trajectoires possibles, toutes compatibles avec les observations astronomiques actuelles. Cette divergence rend impossible, par les seules lois de la dynamique, l'identification de la trajectoire effectivement suivie par le Système solaire sur des échelles de temps supérieures à quelques dizaines de millions d'années.

Récemment, une avancée méthodologique majeure, implémentée dans le logiciel AstroGeoFit, permet d'extraire directement à partir de séries sédimentaires des courbes d'excentricité du Système solaire, indépendantes de toute solution astronomique préexistante. Ces reconstructions fournissent des contraintes observationnelles inédites, mais partielles et incertaines, sur l'évolution orbitale passée, sous la forme de segments temporels d'excentricité affectés par des incertitudes de datation et de reconstruction.

Cette thèse vise à résoudre un problème inverse de grande dimension dans un régime chaotique : identifier, parmi un ensemble massif de trajectoires numériques divergentes couvrant jusqu'à 250 millions d'années, celles qui sont compatibles avec les courbes d'excentricité extraites des archives géologiques.

L'approche proposée repose sur des méthodes avancées d'intelligence artificielle appliquées aux séries temporelles chaotiques. Des techniques d'apprentissage auto-supervisé permettront d'apprendre des représentations latentes de l'excentricité orbitale capturant les régimes dynamiques pertinents (modulations de longue période, transitions chaotiques, voisinage de résonances), tout en étant robustes au bruit et aux distorsions temporelles. Des méthodes de metric learning seront développées afin d'apprendre une métrique de similarité entre courbes d'excentricité numériques et géologiques, capable d'identifier un même comportement dynamique malgré le chaos et les incertitudes d'observation.

Ces représentations serviront de base à une procédure d'assimilation séquentielle de données, de type Approximate Bayesian Computation ou Monte Carlo séquentiel hors ligne, permettant de pondérer et de sélectionner progressivement les trajectoires numériques compatibles avec les contraintes géologiques disponibles à différentes époques. L'intelligence artificielle joue ici un rôle central dans la définition de fonctions de vraisemblance robustes et dans la réduction efficace de l'espace des solutions.

Les résultats attendus incluent une réduction quantitative de l'incertitude sur l'évolution orbitale passée du Système solaire sur plusieurs centaines de millions d'années, l'identification de régimes dynamiques d'excentricité compatibles avec les archives sédimentaires, ainsi que des avancées méthodologiques transférables à d'autres systèmes dynamiques chaotiques contraints par des observations partielles.

La dynamique du Système solaire interne est chaotique, ce qui conduit, au-delà de 60 millions d'années, à une prolifération de trajectoires numériques possibles issues de conditions initiales quasi-identiques (Laskar, 1989, 1990, Laskar et al, 2011). Les intégrations numériques actuelles produisent ainsi des dizaines de milliers de solutions également compatibles avec les observations astronomiques présentes, sans qu'il soit possible, par la seule dynamique, d'identifier la trajectoire effectivement suivie par le Système solaire dans le passé.

Récemment, une avancée méthodologique majeure, implémentée dans le logiciel AstroGeoFit (Hoang et al, 2025, https://www.astrogeo.eu/astrogeofit/), permet d'extraire directement à partir de séries sédimentaires des courbes d'excentricité du Système solaire, indépendamment de toute solution astronomique préexistante. Ces reconstructions fournissent des contraintes observationnelles inédites, mais partielles et incertaines, sur l'évolution orbitale passée.

Le défi scientifique est alors un problème inverse de grande dimension, posé dans un régime chaotique : comment exploiter des fragments observés et incertains d'excentricité pour identifier, parmi un ensemble massif de trajectoires numériques divergentes, celles qui correspondent à l'histoire réelle du Système solaire ?

Ce problème se situe à l'interface de la mécanique céleste, des géosciences et de l'intelligence artificielle, et appelle des méthodes nouvelles d'apprentissage de représentations, de comparaison robuste de séries temporelles et d'assimilation de données non linéaires.

L'objectif de la thèse est de développer un cadre fondé sur l'intelligence artificielle permettant :
1.D'apprendre des représentations latentes de l'excentricité orbitale capturant les régimes dynamiques pertinents (modulation, transitions, resonances), tout en étant robustes aux incertitudes de reconstruction et de datation.
2.D'apprendre une métrique de similarité entre courbes d'excentricité numériques et géologiques, capable d'identifier un même comportement dynamique malgré le chaos, le bruit et les distorsions temporelles.
3.D'assimiler séquentiellement des contraintes géologiques sous forme de segments d'excentricité afin de pondérer et sélectionner les trajectoires numériques compatibles.
4.De réduire l'espace des solutions chaotiques et de quantifier la plausibilité relative des trajectoires candidates sur des échelles de temps de l'ordre de 250 Ma et plus.

La thèse exploitera plusieurs axes méthodologiques avancés en intelligence artificielle :

1) Apprentissage auto-supervisé de représentations temporelles
Des modèles neuronaux (réseaux convolutifs temporels, Transformers légers) seront entraînés en mode auto-supervisé sur les trajectoires numériques afin d'apprendre un espace latent où des segments d'excentricité dynamiquement similaires sont proches, indépendamment de leur phase exacte ou de distorsions temporelles modérées.

Des augmentations contrôlées (bruit, filtrage, étirement temporel) reproduisant les incertitudes propres aux reconstructions de AstroGeoFit seront utilisées pour rendre ces représentations compatibles avec les données géologiques.

2) Apprentissage de métriques et comparaison robuste de séries chaotiques
Des architectures de type Siamese networks / metric learning seront développées pour apprendre une distance ou une vraisemblance entre deux courbes d'excentricité, optimisée pour reconnaître un même contenu dynamique plutôt qu'une correspondance point-à-point.

Cette approche permettra de dépasser les limites des corrélations classiques ou des alignements déterministes, en intégrant explicitement les incertitudes d'observation.

3) Assimilation de données par filtrage probabiliste guidé par IA
Les représentations apprises serviront de base à une procédure d'assimilation séquentielle de données (type Approximate Bayesian Computation ou Monte Carlo séquentiel hors ligne), dans laquelle chaque trajectoire numérique est pondérée par sa compatibilité avec les segments d'excentricité géologiques disponibles à différentes époques.

L'IA joue ici un rôle central dans la définition de la fonction de vraisemblance et dans la réduction efficace de l'espace de recherche.

4) Interprétabilité et identification de régimes dynamiques
Un effort particulier sera porté sur l'interprétation physique des représentations apprises, afin de relier les classes ou régions latentes à des mécanismes dynamiques identifiables (structures séculaires, transitions chaotiques, voisinage de résonances).