Discrimination entre modèles cosmologiques réalistes à l’aide de l’apprentissage statistique profond.

When:
01/04/2020 – 02/04/2020 all-day
2020-04-01T02:00:00+02:00
2020-04-02T02:00:00+02:00

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

Laboratoire/Entreprise : Laboratoire Univers et Théories, Observatoire de Meudon
Durée : 3 Mois ou plus
Contact : jean-michel.alimi@obspm.fr
Date limite de publication : 2020/04/1

Contexte :
Formation des grandes structures de l’Univers et Nature de l’Energie Noire. Traitement de données massives et modélisation numériques grâce aux technologies d’apprentissage profond (deep learning) avec Prior Physique.

Sujet :
Le projet HPC en cosmologie “Dark Energy Universe Simulation” (www.deus-consortium.org) a permis de réaliser un ensemble de simulations numériques de formation des structures cosmiques dans différents modèles cosmologiques. L’objectif scientifique de ce projet est d’étudier de façon croisée les signatures éventuelles de l’énergie noire (composante accélératrice de l’expansion de l’Univers) sur la formation des grande structures et/ou réciproquement comment le processus de formation des grandes structures est modifiée du fait de la présence d’une composante spécifique accélératrice d’énergie noire dans l’Univers. Les modèles cosmologiques étudiés sont dits réalistes au sens où ils sont indistinguables statistiquement sur les données observationnelles disponibles à grandes échelles (Fond de rayonnement cosmologique (CMB) et Supernovae). Cependant l’évolution non-linéaire de structuration gravitationnelle dans ces modèles montre des différences fines et subtiles. L’objectif de ce stage est de tenter de discriminer ces modèles cosmologiques ainsi que d’étudier la possibilité de prédire les paramètres cosmologiques en utilisant les technologies de l’apprentissage statistique profond (deep learning) appliquées aux cartes de densité et de champ de vitesses des halos de matière noire formées dans ces simulations. La capacité (sous certaines conditions) de discriminer entre les modèles cosmologiques à partir des attributs physiques, géométriques ou morphologique (Masse, taille, vitesse, moment cinétique, ellipticité, distribution de masse ou de densité à l’intérieur du halo …) des halos de matière noire formées dans les simulations, et calculées préalablement a déjà été démontrée. Le rôle respectif de chaque attribut lors du processus de discrimination des modèles cosmologiques ou lors de la prédiction des paramètres cosmologique a été étudié. Ainsi on peut dire que l’utilisation des technologies de machine learning est double, elle est à la fois opérationnelle en terme de « classificateur » ou de « regresseur » supervisés sur les données de cosmologie et en particulier sur les données du projet DEUS mais elle montre également et spécialement que ces technologies sont un nouveau moyen de mieux comprendre la physique en jeu lors de la formation des structure cosmiques. En ce sens, on peut considérer le machine learning avec « Prior Physique » sur les données, comme un nouvel outil heuristique pour la cosmologie. Les développements réalisés durant ce stage pourront ensuite être appliqués aux données observationelles issues des grands projets actuels et futurs de la cosmologie (SDSS, XMM, Euclid,LSST). Un sujet de thèse prolongeant ce stage où l’utilisation des technologies évoluées de Machine Learning avec Prior Physique plus récente seront utilisés pour construire à partir de la distribution de matière cosmique les théories étendues de la gravitation compatibles avec notre connaissance actuelle de l’Univers.

Profil du candidat :
Niveau Master 1 ou préférentiellement 2 en Computing Science (avec un intérêt pour la physique et plus particulièrement pour la cosmologie) ou en Physique avec une affinité avec l’outil numérique (Simulations numériques haute performance et traitement massif de données) et notamment l’apprentissage automatique.

Formation et compétences requises :
Maitrise d’un langage de programmation par exemple Fortran, C, C++, Python
Le candidat doit avoir une affinité avec l’outil numérique et notamment l’apprentissage automatique.
Une composante importante du stage réside dans l’exploration de données et le développement d’outils innovants mais les motivations scientifiques sont préférentiellement théoriques.
Autonomie et Capacité de travail soutenue.
Curiosité et approfondissement intellectuelles

Adresse d’emploi :
UMR-8102 LUTH
Laboratoire de l’univers et de ses théories
5, place Jules Janssen
92195 Meudon

Document attaché :