Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration
2 UMich - Université du Michigan = University of Michigan [Ann Arbor]
3 Duke University [Durham]
4 IISER Bhopal - Indian Institute of Science Education and Research Bhopal
5 IIT Kanpur - Indian Institute of Technology Kanpur
6 JBCA - Jodrell Bank Centre for Astrophysics
7 IJCLab - Laboratoire de Physique des 2 Infinis Irène Joliot-Curie
8 University of Chicago
9 LPC - Laboratoire de Physique de Clermont
10 School of Physics and Astronomy, University of Minnesota
11 Department of Applied Physics
12 Department of Biology [Patras]
13 CAM - University of Cambridge [Cambridge, UK]
14 Imperial College London
- Fonction : Auteur
- PersonId : 14010
- IdHAL : eric-aubourg
- ORCID : 0000-0002-5592-023X
- IdRef : 078069823
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- PersonId : 178154
- IdHAL : aboucaud
- ORCID : 0000-0001-7387-2633
- Fonction : Auteur
- PersonId : 739115
- IdHAL : jean-eric-campagne
- ORCID : 0000-0002-1590-6927
- IdRef : 089446569
- Fonction : Auteur
- Fonction : Auteur
- PersonId : 3626
- IdHAL : johann-cohen-tanugi
- ORCID : 0000-0001-9022-4232
- IdRef : 172626544
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- PersonId : 750339
- IdHAL : flanusse
- ORCID : 0000-0001-7956-0542
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
- Fonction : Auteur
Résumé
The Vera C. Rubin Observatory's Legacy Survey of Space and Time (LSST) will produce unprecedented volumes of heterogeneous astronomical data (images, catalogs, and alerts) that challenge traditional analysis pipelines. The LSST Dark Energy Science Collaboration (DESC) aims to derive robust constraints on dark energy and dark matter from these data, requiring methods that are statistically powerful, scalable, and operationally reliable. Artificial intelligence and machine learning (AI/ML) are already embedded across DESC science workflows, from photometric redshifts and transient classification to weak lensing inference and cosmological simulations. Yet their utility for precision cosmology hinges on trustworthy uncertainty quantification, robustness to covariate shift and model misspecification, and reproducible integration within scientific pipelines. This white paper surveys the current landscape of AI/ML across DESC's primary cosmological probes and cross-cutting analyses, revealing that the same core methodologies and fundamental challenges recur across disparate science cases. Since progress on these cross-cutting challenges would benefit multiple probes simultaneously, we identify key methodological research priorities, including Bayesian inference at scale, physics-informed methods, validation frameworks, and active learning for discovery. With an eye on emerging techniques, we also explore the potential of the latest foundation model methodologies and LLM-driven agentic AI systems to reshape DESC workflows, provided their deployment is coupled with rigorous evaluation and governance. Finally, we discuss critical software, computing, data infrastructure, and human capital requirements for the successful deployment of these new methodologies, and consider associated risks and opportunities for broader coordination with external actors.