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

Laboratoire/Entreprise : CRIStAL UMR 9189 – Lille
Durée : 36 mois
Contact : pierre.chainais@centralelille.fr
Date limite de publication : 2024-09-15

Contexte :
Ce projet de thèse interdisciplinaire entre science des données et cosmologie s’inscrit dans le cadre d’une collaboration entre l’équipe SigMA du laboratoire CRIStAL (Lille) et l’équipe GEPI de l’observatoire de Paris. Il est financé par une thèse 80|Prime de la MITI du CNRS.

L’équipe encadrante est constituée de Pierre Chainais (http://pierrechainais.ec-lille.fr/) et Jenny Sorce (https://jennygsorce.appspot.com/) (CRIStAL/ SigMA) d’une part, et de Mathieu Puech (https://mathieu-puech.jimdosite.com/) et Hector Flores (Obs. de Paris / GEPI) d’autre part.

La thèse sera hébergée au laboratoire CRIStAL (Lille) dans l’équipe SigMA (https://www.cristal.univ-lille.fr/equipes/sigma/). L’équipe SigMA est reconnue pour son expertise en problèmes inverses et leurs applications en astrophysique au sens large. La présence, au sein de l’équipe SigMA, de Jenny Sorce, cosmologiste, assure un environnement interdisciplinaire quotidien. Des séjours à l’observatoire de Paris sont prévus.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l’autorité compétente du MESR.

Sujet :
URL publique de l’offre : /Offres/Doctorant/UMR9189-JENSOR-001/Default.aspx

Référence : UMR9189-JENSOR-001

Type de contrat : CDD Doctorant/Contrat doctoral CNRS – acquis (thèse 80|Prime de la MITI)
Lieu de travail : CRIStAL, Villeneuve d’Ascq
Durée du contrat : 36 mois
Date de début de la thèse : 1 octobre 2024 (date négociable)
La rémunération est d’un minimum de 2135,00 € mensuel
Section(s) CN : Sciences de l’information : traitements, systèmes intégrés matériel-logiciel, robots, commandes, images, contenus, interactions, signaux et langues

Nom du responsable scientifique : Pierre Chainais, Jenny Sorce (CRIStAL) et Mathieu Puech (GEPI)

Description du sujet de thèse

Résumé en français (voir sujet détaillé ci-dessous) :

Le modèle cosmologique standard postule que matière noire et énergie sombre constituent ~95 % de l’Univers. Des analyses de relevés de galaxies révèlent des contradictions entre observations et modèle. L’inférence des paramètres cosmologiques à partir des propriétés de galaxies résulte d’une chaîne de traitement complexe impliquant observations et théories astrophysiques, sciences du numérique et des données. Le débat consiste à déterminer si ces tensions proviennent d’une nouvelle physique ou d’approximations entraînant des biais systématiques. Ce projet vise à perfectionner la chaîne d’inférence en utilisant les simulations CLONES, fournies par CRIStAL, comme vérité-terrain, les images multi-longueurs d’onde et les spectres de galaxies de l’équipe GEPI, et les dernières avancées en termes d’inférence Bayésienne et d’apprentissage automatique de l’équipe CRIStAL/SigMA. En inférant sans biais, grâce aux sondages de l’univers, son taux d’expansion, ce projet pourrait résoudre le paradoxe apparent du décalage entre valeurs théorique et inférée de ce taux.

Mots clefs : Problèmes inverses – Inférence Bayésienne – Apprentissage automatique – Galaxies – Cosmologie

Sujet détaillé :
Selon le modèle cosmologique standard, la matière noire et l’énergie sombre constituent environ 95% de l’Univers. Les récentes analyses de grands relevés de galaxies révèlent des tensions avec ce modèle. Par exemple, la mesure locale du taux d’expansion et l’estimation de l’homogénéité de l’Univers diffèrent de plus de trois écarts-types de celles déduites de la première lumière de l’Univers. Le débat consiste à déterminer si ces tensions sont synonymes de nouvelles physiques ou d’effets systématiques dus à la longue chaîne de traitement des observations.

L’inférence de paramètres cosmologiques, comme le taux d’expansion, à partir des propriétés d’objets astronomiques tels que des galaxies et les amas de galaxies, appelés sondes, est un processus complexe. Elle nécessite de multiples domaines d’expertise : observation astronomique, théorie astrophysique, sciences du numérique et des données. Cependant, les différentes communautés n’interagissent que rarement. Ces découplages Rss/ EmploiCNERmS)ploiCNRS) communautaires peuvent entraîner des biais systématiques dans la chaîne de traitement des observations, et, par conséquent, dans l’estimation finale des paramètres cosmologiques.

Par exemple, une partie de cette chaîne s’appuie sur des simulations cosmologiques utilisées comme vérité-terrain, manquante en cosmologie. Ces données synthétiques issues de la simulation de modèles astrophysiques encodent notre compréhension physique des phénomènes. Cette compréhension, et donc les simulations, sont en général la clef de toute procédure d’inférence. Pour garantir la prise en compte de tous les aspects, ces simulations s’enrichissent et deviennent de plus en plus complexes et volumineuses. L’objectif est ensuite de tirer parti de ces données de façon optimale en exploitant les dernières avancées en matière d’inférence Bayésienne et d’apprentissage automatique. Cependant, les simulations cosmologiques standard ne reproduisent que statistiquement la toile cosmique.

Un nouveau type de simulations, qualifiées de contraintes, a fait son apparition. Les champs de vitesse et de densité initiaux de telles simulations sont contraints par les observations de l’Univers local (~200 Mpc de rayon). Ainsi, les simulations contraintes obtenues ressemblent à l’Univers local observé non seulement statistiquement, mais aussi dans le détail des objets-sondes qui le constituent (galaxies et amas de galaxies). Les CLONES, jumeaux numériques ou ‘digital twins’ de l’Univers local, fournies par la porteuse du projet constituent de telles simulations. Jouant le rôle de vérité- terrain manquante, ces simulations permettent de quantifier et de minimiser certaines sources de biais : particularités de l’environnement local en tant que lieu d’observation et zone observée, limites des modèles astrophysiques et des méthodes calibrées pour dériver les propriétés des galaxies et amas de galaxies, spécificités des relevés et sondages, etc.

Ce projet vise à améliorer l’exactitude et l’efficacité de la chaîne de traitement des observations. Il s’agit de franchir un cap décisif quant à l’estimation des paramètres cosmologiques, en tirant parti des simulations CLONES de la porteuse du projet de CRIStAL/SigMA (INS2I), de la multitude de données multi-longueurs d’onde et des spectres de galaxies disponibles, notamment via les missions d’observation dans lesquelles est impliquée l’équipe partenaire GEPI (INSU), et des récentes avancées en matière de traitement du signal et de résolution de problèmes inverses de l’équipe CRIStAL/SigMA (INS2I).

Côté science des données, les enjeux seront de résoudre le problème inverse qui relie les propriétés des galaxies aux observations qui en sont faites, puis celui qui lie le taux d’expansion de l’Univers à l’ensemble des propriétés des galaxies. La difficulté sera d’inclure les particularités individuelles des galaxies (biais d’environnement et redshift) et globales des relevés (biais de sélection), mais aussi de prendre en compte l’incertitude des observations (bruits instrumentaux) et des observables (erreur de mesure et limite des modèles théoriques). Pour que les estimations obtenues permettent, le cas échéant, de lever définitivement le paradoxe cosmologique, les propriétés inférées devront être accompagnées d’une quantification des incertitudes, de la mesure à l’inférence elle-même.

Il s’agira de développer des algorithmes d’inférence pour résoudre des problèmes inverses sur de grands jeux de données multimodales (spectres et images, observables et propriétés), avec de multiples sources d’incertitude (par exemple, variance intrinsèque, bruits de mesures, erreur de mesure) et de biais (environnement, redshift) à prendre en compte, en passant par la case compression optimale, et en fournissant des intervalles de crédibilité.

Côté astrophysique, les enjeux seront de déterminer avec précision et exactitude les propriétés des galaxies-sondes à partir de leurs observations multiples (images multi-longueurs d’onde et spectres), puis d’en inférer le taux d’expansion de l’Univers associé pour lever le paradoxe fondamental du décalage entre observations astronomiques et modèle standard cosmologique.

Profil du candidat :
Diplôme d’ingénieur ou M2 en science des données, traitement du signal, mathématiques appliquées ou équivalent, avec un intérêt pour l’astrophysique et la cosmologie.

Formation et compétences requises :
Bonne compréhension de la modélisation mathématique des systèmes physiques.

Bonne culture mixte entre théorie et pratique, des connaissances et compétences en problèmes inverses et/ou apprentissage profond seraient un plus.

Anglais bon niveau requis.

Adresse d’emploi :
UMR CRIStAL
Université de Lille – Campus scientifique
Bâtiment ESPRIT
Avenue Henri Poincaré
59655 Villeneuve d’Ascq

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

Laboratoire/Entreprise : CRIStAL – UMR9189
Durée : 3 years
Contact : jenny.sorce@univ-lille.fr
Date limite de publication : 2024-01-06

Contexte :
English below

—————————————————————————–

Ce projet de thèse interdisciplinaire entre science des données et cosmologie s’inscrit dans le cadre d’une collaboration entre l’équipe SigMA du laboratoire CRIStAL (Lille) et l’équipe GEPI de l’observatoire de Paris.

L’équipe encadrante est constituée de Pierre Chainais (http://pierrechainais.ec-lille.fr/) et Jenny Sorce (https://jennygsorce.appspot.com/) (CRIStAL/SigMA) d’une part, et de Mathieu Puech (https://mathieu-puech.jimdosite.com/) et Hector Flores (Obs. de Paris / GEPI) d’autre part.

La thèse sera hébergée au laboratoire CRIStAL (Lille) dans l’équipe SigMA (https://www.cristal.univ-lille.fr/equipes/sigma/). L’équipe SigMA est reconnue pour son expertise en problèmes inverses et leurs applications en astrophysique au sens large. La présence, au sein de l’équipe, de Jenny Sorce, cosmologiste, assure un environnement interdiscplinaire quotidien. Des séjours à l’observatoire de Paris sont prévus.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l’autorité compétente du MESR.

—————————————————————————–

This interdisciplinary thesis project between data science and cosmology is part of a collaboration between the SigMA team at the CRIStAL laboratory (Lille) and the GEPI team at Paris Observatory.

The supervisory team is made up of Pierre Chainais and Jenny Sorce (CRIStAL/SigMA) on the one hand, and Mathieu Puech and Hector Flores (Obs. de Paris / GEPI) on the other.

The thesis will be hosted at the CRIStAL laboratory (Lille) in the SigMA team (https://www.cristal.univ-lille.fr/equipes/sigma/). The SigMA team is recognized for its expertise in inverse problems and their applications to astrophysics in the broadest sense. The presence on the team of Jenny Sorce, cosmologist, ensures a daily interdisciplinary environment. Visits to the Paris Observatory are planned.

The position is located in a sector under the protection of scientific and technical potential (PPST), and therefore requires, in accordance with the regulations, that your arrival is authorized by the competent authority of the MESR.

Sujet :
English below
—————————————————————————–

Résumé en français (voir sujet détaillé ci-dessous) :

Le modèle cosmologique standard postule que matière noire et énergie sombre constituent ~95 % de l’Univers. Des analyses de relevés de galaxies révèlent des contradictions entre observations et modèle. L’inférence des paramètres cosmologiques à partir des propriétés de galaxies résulte d’une chaîne de traitement complexe impliquant observations et théories astrophysiques, sciences du numérique et des données. Le débat consiste à déterminer si ces tensions proviennent d’une nouvelle physique ou d’approximations entraînant des biais systématiques. Ce projet vise à perfectionner la chaîne d’inférence en utilisant les simulations CLONES, fournies par CRIStAL, comme vérité-terrain, les images multi-longueurs d’onde et les spectres de galaxies de l’équipe GEPI, et les dernières avancées en termes d’inférence Bayésienne et d’apprentissage automatique de l’équipe CRIStAL/SigMA. En inférant sans biais, grâce aux sondages de l’univers, son taux d’expansion, ce projet pourrait résoudre le paradoxe apparent du décalage entre valeurs théorique et inférée de ce taux.

Mots clefs : Problèmes inverses – Inférence Bayésienne – Apprentissage automatique – Galaxies – Cosmologie

Lien vers l’annonce complète : https://emploi.cnrs.fr/Offres/Doctorant/UMR9189-JENSOR-001/Default.aspx

—————————————————————————–

English summary (see detailed project below):

The standard cosmological model postulates that dark matter and dark energy make up ~95% of the Universe. Several analyses of galaxy surveys reveal contradictions between the observations and this model. The inference of cosmological parameters from galaxy properties is the result of a complex pipeline involving astrophysical observations and theories, numerical and data sciences. The debate is to determine whether these tensions arise from new physics or from approximations leading to systematic biases. This project aims to perfect the inference pipeline using CLONES simulations provided by CRIStAL as ground truth, multi-wavelength images and galaxy spectra from the GEPI team, and the latest advances in Bayesian inference and machine learning from the CRIStAL/SigMA team. By unbiasedly inferring the Universe expansion rate from surveys, this project could resolve the apparent paradox of the discrepancy between theoretical and inferred values of this rate.

Keywords: Inverse problems – Bayesian inference – Machine learning – Galaxies – Cosmology

Link to full ad: https://emploi.cnrs.fr/Offres/Doctorant/UMR9189-JENSOR-001/Default.aspx

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
UMR CRIStAL
Université de Lille – Campus scientifique
Bâtiment ESPRIT
Avenue Henri Poincaré
59655 Villeneuve d’Ascq

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

Laboratoire/Entreprise : Inria Nancy & Paris
Durée : 36 mois
Contact : emmanuel.vincent@inria.fr
Date limite de publication : 2024-01-06

Contexte :

Sujet :
https://jobs.inria.fr/public/classic/fr/offres/2024-07503

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Centre Inria de l’Université de Lorraine
615 rue du Jardin Botanique
54600 Villers-lès-Nancy

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

Laboratoire/Entreprise : Inria Nancy & LiLPa
Durée : 36 mois
Contact : emmanuel.vincent@inria.fr
Date limite de publication : 2024-01-06

Contexte :

Sujet :
https://jobs.inria.fr/public/classic/fr/offres/2024-07504

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Centre Inria de l’Université de Lorraine
615 rue du Jardin Botanique
54600 Villers-lès-Nancy

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

Laboratoire/Entreprise : Inria Nancy & LIA
Durée : 36 mois
Contact : emmanuel.vincent@inria.fr
Date limite de publication : 2024-01-06

Contexte :

Sujet :
https://jobs.inria.fr/public/classic/fr/offres/2024-07586

Profil du candidat :

Formation et compétences requises :

Adresse d’emploi :
Centre Inria de l’Université de Lorraine
615 rue du Jardin Botanique
54600 Villers-lès-Nancy

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

Laboratoire/Entreprise : Sorbonne Universite – Institut des Systèmes Intell
Durée : 36 mois
Contact : patrick.gallinari@sorbonne-universite.fr
Date limite de publication : 2024-12-30

Contexte :
Physics-aware deep learning aims at investigating the potential of AI methods to advance scientific research for the modeling of complex natural phenomena. This is a fast-growing research topic with the potential to boost scientific progress and to change the way we develop research in a whole range of scientific domains. An area where this idea raises high hopes is the modeling of complex dynamics characterizing natural phenomena occurring in domains as diverse as climate science, earth science, biology, fluid dynamics. A diversity of approaches is being developed including data-driven techniques, methods that leverage first principles (physics) prior knowledge coupled with machine learning, neural solvers that directly solve differential equations. Despite significant advances, this remains an emerging topic that raises several open problems in machine learning and application domains. Among all the exploratory research directions, the idea of developing foundation models for learning from multiple physics is emerging as one of the fundamental challenges in this field. This PhD proposal is aimed at exploring different aspects of this new challenging topic.

Sujet :
Foundation models have become prominent in domains like natural language processing (GPT, Llama, Mistral, etc) or vision (CLIP, DALL-E, Flamingo, etc). Trained with large quantities of data using self-supervision, they may be used or adapted for downstream tasks while benefiting through pre-training from large amounts of training data. Initial attempts at replicating this framework in scientific domains is currently being investigated in fields as diverse as protein, molecule, weather forecasting. Is the paradigm of foundation models adaptable to more general physics modeling such as the complex behavior of dynamical systems? Large initiatives are emerging on this fundamental topic (http://micde.umich.edu/SciFM24, https://iaifi.org/generative-ai-workshop). This high stake, high gain setting might be the next big move in the domain of data-driven spatio-temporal dynamics modeling. The objective of the PhD is to explore different directions pertaining to the topic of foundation models for physics, focused on the modeling of dynamical systems.

**Solving parametric PDEs

A first step is to consider solving parametric partial differential equations (PDEs), i.e. PDEs from one family with varying parameters including initial and boundary conditions, forcing functions, or coefficients. Current neural solvers operate either on fixed conditions or on a small range of parameters with training performed on a sample of the parameters. A first direction will be to analyze the potential of representative NN solvers to interpolate and extrapolate out of distribution to a large range of conditions when learning parametric solutions. A key issue is then the development of training techniques allowing for fast adaptation on new dynamics.

**Tackling multiple physics

The foundation approach is particularly interesting in the case of scarce data, provided physics primitive could be learned from related but different PDE dynamics that are available in large quantities and then transferred to the case of interest. Learning from multiple PDEs raises algorithmic challenges since they operate on domains with different space and time resolutions, shapes and number of channels. We will consider an Encode-Process-Decode framework so that the commonalities between the dynamics are encoded and modeled in a shared latent space and the encoding-decoding process allows to project from and to the observation space for each PDE. This framework will be evaluated with selected backbones.

**Generalization and few shot capabilities

Generalization to new dynamics is the core problem motivating the development of foundation models in science. This is a key issue for the adoption of data-driven methods in physics and more generally in any context were the data is scarce. We will consider the general framework of few shot learning aiming at fine tuning pre-trained models for downstream tasks. In this context the objective will be to develop frameworks for the fast adaptation of foundation models to target tasks. Different strategies will be analyzed and developed including parameters sampling, meta-learning for adaptation and strategies inspired from the developments in semantics and language applications like in-context.

Profil du candidat :
Computer science or applied mathematics. Good programming skills.

Formation et compétences requises :
Master degree in computer science or applied mathematics, Engineering school. Background and experience in machine learning.

Adresse d’emploi :
Sorbonne Université (S.U.), Pierre et Marie Campus in the center of Paris. The candidate will integrate the MLIA team (Machine Learning and Deep Learning for Information Access) at ISIR (Institut des Systèmes Intelligents et de Robotique).

Document attaché : 202404261431_2024-04-20-PhD-Description-Foundation-models-Physics.pdf

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

Laboratoire/Entreprise : IMT Toulouse et IPAL/ASTAR SIngapour
Durée : 3 ans
Contact : caroline.chaux@cnrs.fr
Date limite de publication : 2024-05-15

Contexte :
Nous proposons un sujet de thèse France – Singapour pour lequel la moitié de la thèse aura lieu en France (ITM Toulouse) et l’autre moitié à SIngapour (IPAL IRL CNRS 2955).

Sujet :
The goal of this PhD thesis is to deploy the 3D PAT scanner designed by
Jérôme Gateau at the Laboratoire d’Imagerie Biomédicale (LIB) for a routine use in biomedical studies.
This will be achieved by designing fast reconstruction methods that provide high-quality results. Depending on the candidate interests, the following axes would be considered:
• Designing implementations of the forward and adjoint models (modeled by matrix-vector products) that are fast and that incorporate the SVIR of the detector. During their preliminary works, the
partners have identified a promising approximation method of A together with the actual reconstruction algorithms. The method based on the Fourier Integral Operator form of the wave propagation equation, should be able to scale high-quality reconstructions to real data. Other types of approximation
could also be considered such as Hierarchical matrices or tensor-train decomposition.
• Designing reconstruction algorithms based on deep neural networks: such as Plug-and-Play methods or algorithm unrolling.
• Implementing an optimized high-parallel (GPU) version of the algorithms to meet with the time requirements of routine use.
• Designing automatic fine-tuning methods of the hyper-parameters involved in these reconstruction algorithms and the calibration of the parameters of A.

One outcome of this PhD project is a photoacoustic scanner that simultaneously combine, compared to standard reconstruction methods, (i) shorter acquisition times, (ii) a reconstructed image of higher resolution and contrast, and (iii) shorter computation times. This could have a great impact on the PAT community which in turn will benefit the clinical and biological communities. The candidate will be trained and could develop skills in optimization, image processing, machine learning, high performance computing and approximation theory. These competences are actively being in demand in the industry and the academic research.

Profil du candidat :
Master of computer science or applied mathematics with strong skills in signal/image processing, optimization, machine learning and numerical computations. Languages: Python/Matlab, C++/ CUDA.

Formation et compétences requises :
Master of computer science or applied mathematics with strong skills in signal/image processing, optimization, machine learning and numerical computations. Languages: Python/Matlab, C++/ CUDA.

Adresse d’emploi :
IMT Toulouse
IPAL Singapour

Document attaché : 202404260923_2024_PhD_offer_IPAL.pdf