Pré-Publication, Document De Travail Année : 2026

Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration

Adam Bolton
  • Fonction : Auteur
Clecio Bom
  • Fonction : Auteur
Raphaël Bonnet-Guerrini
  • Fonction : Auteur
Aleksandra Ćiprijanović
  • Fonction : Auteur
John Franklin Crenshaw
  • Fonction : Auteur
Juan Cuevas-Tello
  • Fonction : Auteur
Seth Digel
  • Fonction : Auteur
Steven Dillmann
  • Fonction : Auteur
Alex Drlica-Wagner
  • Fonction : Auteur
Sydney Erickson
  • Fonction : Auteur
Alexander Gagliano
  • Fonction : Auteur
Aritra Ghosh
  • Fonction : Auteur
Lindsay House
  • Fonction : Auteur
Mustapha Ishak
  • Fonction : Auteur
Arun Kannawadi
  • Fonction : Auteur
François Lanusse
C. Danielle Leonard
  • Fonction : Auteur
Pierre-François Léget
  • Fonction : Auteur
Michelle Lochner
  • Fonction : Auteur
Yao-Yuan Mao
  • Fonction : Auteur
Peter Melchior
  • Fonction : Auteur
Grant Merz
  • Fonction : Auteur
Martin Millon
  • Fonction : Auteur
Anais Möller
  • Fonction : Auteur
Gautham Narayan
  • Fonction : Auteur
Yuuki Omori
  • Fonction : Auteur
Hiranya Peiris
  • Fonction : Auteur
Laurence Perreault-Levasseur
  • Fonction : Auteur
Andrés Malagón
  • Fonction : Auteur
Nesar Ramachandra
  • Fonction : Auteur
Benjamin Remy
  • Fonction : Auteur
Cécile Roucelle
  • Fonction : Auteur
Jaime Ruiz-Zapatero
  • Fonction : Auteur
Stefan Schuldt
  • Fonction : Auteur
Ignacio Sevilla-Noarbe
  • Fonction : Auteur
Ved Shah
  • Fonction : Auteur
Tjitske Starkenburg
  • Fonction : Auteur
Stephen Thorp
  • Fonction : Auteur
Laura Toribio San Cipriano
  • Fonction : Auteur
Tilman Tröster
  • Fonction : Auteur
Roberto Trotta
  • Fonction : Auteur
Padma Venkatraman
  • Fonction : Auteur
Amanda Wasserman
  • Fonction : Auteur
Tim White
  • Fonction : Auteur
Justine Zeghal
  • Fonction : Auteur
Tianqing Zhang
  • Fonction : Auteur
Yuanyuan Zhang
  • 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.

Dates et versions

hal-05470069 , version 1 (21-01-2026)

Identifiants

Citer

Eric Aubourg, Camille Avestruz, Matthew Becker, Biswajit Biswas, Rahul Biswas, et al.. Opportunities in AI/ML for the Rubin LSST Dark Energy Science Collaboration. 2026. ⟨hal-05470069⟩
63 Consultations
0 Téléchargements

Altmetric

Partager

  • More