Résumé

La formation stellaire est un processus fondamental qui régit l’évolution des galaxies à travers le temps cosmique. Si la dernière décennie a été marquée par des avancées majeures dans notre compréhension de la formation stellaire à l’échelle des galaxies et au sein des nuages moléculaires individuels, un défi majeur reste à relever : celui d’harmoniser les résultats obtenus pour la Voie lactée et ceux issus de l’astronomie extragalactique. Par exemple, le projet DAOISM (https://www.iram.fr/~pety/ORION-B/) visait à créer une synergie entre les études galactiques et extragalactiques portant sur les relations entre la structure des nuages moléculaires et la formation stellaire.

Les cubes de données à grand champ et multilignes « position-position-vitesse » fournis par les observatoires astronomiques actuels et futurs renferment une quantité considérable d’informations (cinématique, physique, chimie, etc.) sur le milieu interstellaire moléculaire. Afin de décoder ces informations de manière fiable, il est nécessaire de recourir aux connaissances les plus récentes tant en astrophysique qu’en analyse de données. Les défis que pose l’astronomie à la science des données sont liés à l’absence de « vérité de référence », au rapport signal/bruit variable des données et à la maîtrise des biais présents dans les données et les modèles. Pour résoudre ces problèmes, il est nécessaire de développer ou d’adapter aux spécificités de l’astronomie des méthodes précises et rapides, fondées par exemple sur l’inférence bayésienne, l’apprentissage automatique, etc.

Nous invitons la communauté à participer à un atelier de cinq jours (du 20 avril à midi au 24 avril à midi) à Paris. Afin de favoriser des échanges fructueux, nous proposons de réunir des astronomes et des spécialistes des données. En astronomie, l’accent sera mis sur les défis liés à la formation des étoiles et à l’astrochimie, de la Voie lactée aux galaxies. Nous répartirons le temps de manière égale entre les exposés des intervenants invités et les contributions des participants.

Justification scientifique

Les inscriptions sont ouvertes sur le site web.
https://daoism2026.sciencesconf.org/?lang=en

Le calendrier est le suivant.

Date limite de soumission des communications orales : 27 février 2026, en soirée.

Notification d’acceptation des communications orales : 13 mars 2026.

Programme définitif : 18 mars 2026.

Début du colloque : 20 avril 2026, après le déjeuner.

Fin du colloque : 24 avril 2026, avant le déjeuner.

Nous prévoyons de sélectionner environ 30 communications. La participation sur place est privilégiée, mais le colloque sera retransmis en ligne pour les participants à distance. L’inscription est obligatoire pour tous les participants.

Programme préliminaire

Astrophysique :

Filaments and fibers in the Gould Belt molecular clouds, A. Hacar (Vienna University)
Stratified sampling in the Gould Belt molecular clouds, M. Tafalla (OAN)
High-angular, wide-field observations of the Milky Way Central Molecular Zone, J. Henshaw (Liverpool John Moores University)
Star formation at a bar end - The case of W43, F. Motte (IPAG)
Magnetic field and star formation, A. Maury (ICREA)
Ionization fraction and magnetic field in Orion B, I. Beslic (LUX)
Multi-line observations of nearby galaxies, A. Usero (OAN)
High-angular mutli-line observations in M51, S. Stuber (Japon)
Sub-beam estimation of column density PDFs in nearby galaxies : A. Zarkardjian (IRAP)
Comparative lifetime of atomic and molecular clouds in nearby galaxies, L. Ramambason (Heidelberg universtiy)
Structure of nearby clouds in Ammonia, J. Pineda (MPE)
Dense core chemistry, H. Mazurek (LUX)
Revisiting the role of the HCN(1-0) line as a tracer of the dense gas reservoir for star formation, M. Santa-Maria (CSIC)
Automated line attribution in line surveys, T. Csengeri (LAB)
Hyperspectral detection of galaxies at different redshift, D. Cornu (LUX)

Data science :

Bayesian inference & regularization, T. Oberlin (ISAE-Sup Aero, ANIT)
Bayesian inference & inverse problems, F. Forbes (INRIA)
BEETROOTS, a new bayesian framework for inverse problems, P. Palud (THALES)
Emulation of sophisticated model : The case of the Meudon PDR code, E. Bron (LUX)
Application of scattering transforms to the separation of ISM phases, E. Allys, (LPENS)
From Statistical Mechanics to Machine Learning and back, M. Gabrié (LPENS)
Remote sensing & satellite imaging, F. Turpin (Telecom Paris) ou L. Denis (Université Jean Monnet)
Neural network denoising and non-linear correlation analysis with mutual information, L. Einig (Netatmo)
Exoplanet (statistical inference and neural network), O. Flasseur (CRAL)
Maps of kinetic temperature, volume density and kinematic parameters from non-LTE multi-species fit, L. Segal (THALES)