XMM2ATHENA, le projet H2020 pour améliorer le logiciel d’analyse XMM-Newton et préparer Athena
XMM-Newton, un observatoire de l’Agence spatiale européenne, observe le ciel dans les rayons X, l’ultraviolet et l’optique depuis 23 ans. Au cours de cette période, l’astronomie a évolué, passant de l’étude de sources uniques à celle de populations, et de l’étude d’une seule longueur d’onde à celle de données sur plusieurs longueurs d’onde et messagers. Nous entrons également dans l’ère de l’astronomie temporelle. De nouveaux logiciels et de nouvelles méthodes sont nécessaires pour accompagner l’évolution de l’astronomie et préparer l’observatoire de rayons X de la prochaine génération, Athena. Nous présentons ici XMM2ATHENA, un programme financé par le programme de recherche et d’innovation Horizon 2020 de l’Union européenne. XMM2ATHENA s’appuie sur les fondations posées par le XMM-Newton Survey Science Centre (XMM-SSC), y compris les membres clés de ce consortium et le segment terrestre d’Athena Science, ainsi que des membres de la communauté des rayons X. Le projet développe et teste de nouvelles méthodes de détection et de traitement des rayons X. Il s’agit d’un projet de recherche et de développement. Le projet développe et teste de nouvelles méthodes et de nouveaux logiciels pour permettre à la communauté de suivre les transitoires en rayons X en temps quasi réel, d’identifier les contreparties multi-longueurs d’onde/messagers des sources XMM-Newton et de déterminer leur nature à l’aide de l’apprentissage automatique. Nous détaillons ici la première étape du projet, un nouvel estimateur de sensibilité en ligne. Nous décrivons également d’autres produits, y compris la procédure d’empilement innovante à venir et les algorithmes de détection pour détecter les sources les plus faibles. Ces outils seront ensuite adaptés à Athena et les sources nouvellement détectées/identifiées amélioreront la préparation à l’observation du ciel de rayons X d’Athena.
Télécharger le document complet (version anglaise) : https://ui.adsabs.harvard.edu/abs/2023arXiv2303100