Annonce en lien avec l’Action/le Réseau : MAESTROFormation

Laboratoire/Entreprise : Laboratoire d’Astrophysique de Marseille
Durée : 6 months
Contact : jean.gabriel.cuby@lam.fr
Date limite de publication : 2019-04-01

Contexte :
Les galaxies et quasars à très grand décalage spectral (redshift, z > 7) nous éclairent sur les processus de formation et d’évolution des galaxies dans l’Univers primordial. L’observation de l’Univers à très grand décalage spectral est au centre de beaucoup des grands projets de l’astrophysique des décennies à venir (Euclid, JWST, WFIRST, SKA, ATHENA, LISA)

Sujet :
Modélisation de galaxies et de quasars très distants et outils de sélection par analyse Bayesienne et apprentissage machine pour la mission Euclid de l’agence spatiale européenne.

Méthodologie et Programme de travail. La sélection des objets à très grand décalage spectral se fait sur la base de leurs couleurs très (infra-)rouges. Une des difficultés provient de la similitude de ces couleurs avec celles d’étoiles très froides de l’environnement local. Des outils statistiques doivent alors être développés afin d’affiner la sélection grâce à une modélisation précise des populations d’objets très lointains et des contaminants (voir par exemple Pipien et al. (2018) pour une description d’un modèle Bayesien). La précision et la limite de validité de ces modèles risquent toutefois challengées par la grande sensibilité d’Euclid. Les méthodes de machine learning et/ou de deep learning voient leur apparition en astrophysique (voir par exemple arXiv:1806.06607) et permettent d’accéder à des domaines de l’espace des paramètres où les modèles sont peu contraints.
Le travail consistera à poser les bases d’un développement d’outils de sélection des objets à grand décalage spectral pour la mission Euclid :
i. Développement d’outils de modélisation d’objets à grand décalage spectral et de contaminants. Il s’agira ici de développer quelques outils simples permettant de générer des populations d’objets (catalogues) à partir de leurs spectres (connus) et de leurs fonctions de distribution spatiale, morphologique, et en luminosité.
ii. Développement d’un modèle Bayesien adapté aux données d’Euclid. Il s’agira ici d’adapter un modèle Bayesien existant et de le tester à partir des populations d’objets qui auront été générées auparavant (point i.).
iii. Test de méthodes d’apprentissage machine: à partir des catalogues simulés au point i. et de la modélisation effectuée au point ii., il s’agira ici d’effectuer des tests préliminaires avec des outils d’apprentissage machine. Idéalement, ces tests permettront une première comparaison avec les résultats de l’analyse Bayesienne.
Ce travail sera effectué sous une double responsabilité ‘astrophysique’ et ‘logicielle’ au sein du Laboratoire d’Astrophysique de Marseille. Ce travail pourra se poursuivre en thèse (un co-financement du CNES est d’ores et déjà acquis).

Profil du candidat :
Etudiant en Master physique, astrophysique, machine learning

– autonome
– curieux
– connaissances en astro serait un plus

Formation et compétences requises :
Master en cours en astrophysique, physique ou machine learning

Adresse d’emploi :

Laboratoire d’Astrophysique de Marseille. CNRS, CNES & Université Aix-Marseille (AMU)
38 rue Joliot Curie,
13388 Marseille cedex 13

Document attaché : Sujet-M2.pdf