Offre en lien avec l’Action/le Réseau : – — –/– — –

Laboratoire/Entreprise : Institut de Planétologie et d’Astrophysique de Gr
Durée : 4 à 6 mois (négociab
Contact : mickael.bonnefoy@univ-grenoble-alpes.fr
Date limite de publication : 2021-02-28

Contexte :
La détection et la caractérisation des exoplanètes géantes par imagerie à haut contraste et à haute résolution angulaire fournissent des contraintes inédites sur les processus de formation des systèmes planétaires à larges séparations (> 5 u.a.) ainsi que sur le fonctionnement des atmosphères Joviennes.

L’emploi de spectrographes dédiés à moyenne (R=λ/Δλ=1000-10 000) ou haute (R=λ/Δλ>10 000) résolution spectrale ouvre de nouvelles perspectives pour améliorer nos capacités de détection et de caractérisation de ces exoplanètes, avec la possibilité d’évaluer précisément leur vitesse orbitale et rotationnelle, ainsi que la structure (profil pression-température) et la composition de leur atmosphère.

Des techniques d’inversion Bayésiennes (“MCMC”, “Nested Sampling”) sont aujourd’hui largement répandues pour analyser les spectres d’exoplanètes à basse résolution spectrale (R~30-100; c.a.d. quelques dizaines de mesures) et ainsi remonter aux caractéristiques physiques et chimiques des objets en se basant sur une comparaison de modèles aux données (“forward modelling”, “retrieval”). De nouvelles techniques doivent désormais être proposées pour analyser efficacement les spectres à moyenne résolution spectrale, pour lesquels le volume de données à modéliser augmente significativement (~x102 à x103). Les techniques d’apprentissage supervisé associées à l’ingénierie des données apparaissent comme une voie de recherche prometteuse pour pallier ce problème.

Sujet :
Dans le cadre du stage proposé, l’étudiant[e] sera responsable :
de l’analyse optimale d’un jeu de données du spectrographe à moyenne résolution spectrale SINFONI au Very Large Telescope (Chili) afin de caractériser l’exoplanète de type Jovien jeune: 2M1027b. L’étudiant traitera ces données à partir d’outils préexistants qu’il ou elle contribuera à améliorer,
du développement et de la validation des techniques d’apprentissage supervisées pour l’inversion des données à moyenne résolution spectrales. L’étudiant[e] modifiera dans ce but un outil développé à l’IPAG et comparera la performance des méthodes développées à celles existantes (“Nested Sampling”), la caractérisation de l’exoplanète étudiée à partir du spectre extrait et de l’outil d’inversion.

Profil du candidat :
Nous recherchons un étudiant avec une formation en mathématique et informatique appliquée capable de traduire les résoudre nos problématiques astrophysiques à l’aide des techniques d’apprentissage supervisé. Un intérêt fort pour la problématique astrophysique du stage est essentiel.

Formation et compétences requises :
L’étudiant devra maîtriser la programmation en langage Python. Il travaillera avec les bibliothèques Python standard (Numpy, Scipy, Dask) et devra apprendre à maitriser des bibliothèques spécialisées (xarray, scikit-learn, astropy, pymultinest, nestle) et les algorithmes associés. Nous fournirons au candidat la bibliographie nécessaire pour parfaire ses connaissances sur le sujet du stage.

Adresse d’emploi :
Institut de Planétologie et d’Astrophysique de Grenoble (IPAG, Grenoble, France)

Document attaché : 202012091120_InternshipM2_IPAG_Modeling_Exoplanet_Spectra_Supervised_ML.pdf