PDF
Apprentissage Machine pour la déconvolution multi-objet d'images de galaxies
Machine Learning for Multi-Object Galaxy Deconvolution

Spécialité

Astrophysique

Niveau d'étude

Bac+5

Formation

Master 2

Unité d'accueil

Candidature avant le

07/08/2020

Durée

6 mois

Poursuite possible en thèse

oui

Contact

STARCK Jean-Luc
+33 1 69 08 57 64

Résumé/Summary
Durant la prochaine décennie, de grands télescopes comme SKA et Euclid offriront une vue plus large de l'Univers avec de vastes images multi-objets. Le de ce stage est de reconstruire ces images à l'aide de méthodes d'optimisation et d'apprentissage profond.
In the upcoming decade, large telescopes such as the SKA and Euclid will offer a broader view of the Universe with wide multi-object images. The aim of this project is to use optimisation and Deep Learning methods to reconstruct multi-object images.
Sujet détaillé/Full description
Au cours de la prochaine décennie, de grands télescopes tels que le Square Kilometer Array (SKA) et le satellite Euclid offriront une vue plus large de l'Univers. Les données collectées correspondront à de vastes images multi-objets. Pour ce travail, nous supposons que les images ne contiennent que des galaxies sans chevauchement. L'un des principaux objectifs de ces images est de fournir aux astrophysiciens des informations précises sur les objets qu'ils contiennent et leur forme. Cependant, les objets, dans les images brutes, sont déformés par la fonction d'étalement du point du télescope (Point Spread fonction en anglais, PSF) et corrompus par le bruit additif. Des données reconstruites peuvent être obtenues comme solution à un problème inverse, en utilisant des algorithmes d'optimisation standard. Pourtant, les astrophysiciens utilisent toujours des données brutes pour effectuer une estimation de forme. C'est le cas de la méthode Kaiser-Squire-Broadhurst. Cela est dû au fait que les algorithmes standard ne garantissent pas la conservation de la forme. De plus, l'utilisation de données brutes pour les estimations rend le processus sous-optimal. L'objectif de ce projet est donc d'utiliser des méthodes d'optimisation et d'apprentissage machine pour reconstruire des images multi-objets. Dans nos travaux précédents, nous avons développé une contrainte de forme et un réseau de neurones profond pour la reconstruction d'images de galaxies. Et nous avons montré qu'ils réduisaient l'erreur d'estimation de forme avec plus de robustesse. Par conséquent, le projet est divisé en deux tâches principales. La première est de comprendre les outils existants et être capable de les utiliser. La seconde consiste à développer une nouvelle méthode de reconstruction multi-objets.
In the upcoming decade, large telescopes such as the Square Kilometre Array (SKA) and the Euclid satellite will offer a broader view of the Universe. The collected data will correspond to wide multi-object images. For this work, we assume that the images only contain galaxies with no overlapping. One of the main purposes of these images is to give astrophysicists precise information about the objects they contain and their shape. However objects , in raw images are distorted by the Point Spread Function of the telescope (PSF), and corrupted by additive noise. Reconstructed data can be obtained as a solution to an inverse problem, by using standard optimisation algorithms. Yet astrophysicists still use raw data to perform shape estimation. It is the case for the Kaiser-Squire-Broadhurst method. This is due to the fact that standard algorithms do not guarantee shape preservation. Additionally, using raw data for estimations makes the process sub-optimal. Thus the aim of this project is to use optimisation and Machine Learning methods to reconstruct multi-object images. In our previous works, we developed a shape constraint and a Deep Neural Network for galaxy image reconstruction and showed that they reduce the shape estimation error and add robustness. Hence, the project is divided into two main tasks. The first one is to understand and be able to use the existing tools. The second one is to develop a new multi-object reconstruction method.
Mots clés/Keywords
traitement du signal, traitement de l'image, optimisation, apprentissage machine
signal processing, image processing, optimisation, machine learning
Compétences/Skills
Mesure de forme, reconstruction, optimisation, apprentissage, réseaux de neurones profonds, algorithmes proximaux
Mesure de forme, reconstruction, optimisation, apprentissage, réseaux de neurones profonds, algorithmes proximaux
Logiciels
Python, Keras, Galsim
PDF
Asterosismologie et machine learning pour l'evolution stellaire avec Kepler/K2 et TESS
Asterseismology and machine learning for stellar evolution with Kepler/K2 and TESS

Spécialité

Astrophysique

Niveau d'étude

Bac+4/5

Formation

Master 2

Unité d'accueil

Candidature avant le

31/07/2020

Durée

4 mois

Poursuite possible en thèse

oui

Contact

GARCIA Rafael A.
+33 1 69 08 27 25

Résumé/Summary
Nous disposons actuellement de milliers observations d’étoiles par la mission NASA K2 qui n’ont jamais pu être étudiées en detail. De plus, des observations de dizaines de milliers d'étoiles par la mission NASA TESS seront disponibles au debut du stage. Le but de ce stage est de mettre en place une méthode d’analyse automatique de ces données reposant sur l’intelligence artificielle et l'asterosismologie.
Sujet détaillé/Full description
La precision obtenue observationnellement sur les paramètres physiques des étoiles de type solaire (comme la masse ou le rayon) a un très grand impact sur les résultats de toute etude numérique visant a modéliser l'evolution des étoiles. Nous obtenons grace a l’asterosismologie les estimations les plus précises des paramètres fondamentaux de nombreuses étoiles. Cependant, la sismologie ne s’applique que sur une quantité limitée d’étoiles observées avec une resolution frequentielle suffisante et un niveau de bruit raisonnable par les satellites CoRoT, Kepler et TESS. Pour les autres, la spectroscopie donne les meilleurs résultats qui pourtant ne sont pas suffisant pour contraindre au mieux les modèles d’evolution stellaire. Nous disposons actuellement de milliers observations d’étoiles par la mission NASA K2 qui n’ont jamais pu être étudiées en detail. Le but de ce stage est de mettre en place une méthode d’analyse automatique de ces données reposant sur l’intelligence artificielle. En entrainant l’algorithme sur les données précises d’asterosismologie des meilleures étoiles, les autres étoiles pourront être tout d'abord classifies et ensuite caractérisées avec une precision surpassant les etudes spectroscopiques.
Ce sujet de stage combine asterosismologie classique et méthodes "intelligentes". Il s’inscrit dans le cadre de l’arrivée de très (trop!) nombreuses observations par les missions K2 et TESS qui ne pourront être analyses individuellement efficacement qu’après un premier filtrage automatique. Aucune connaissance en machine learning n’est requise, mais il est conseillé de suivre les modules de physique stellaire.
Une partie de cet stage peut se dérouler à l'Institut d'Astrophysique des Canaries (IAC) dans le cadre de la collaboration en physique stellaire entre les deux laboratoires.
Le stage sera co-encadre par Mme Lisa Bugnet pour les aspect de "machine learning".
Mots clés/Keywords
Asterosismologie, Physique stellaire, Traitement numérique, Machine learning
Compétences/Skills
Des outils de sismologie stellaire, algorithmes de machine learning (Random Forest, etc) Données des missions spatiales Kepler/K2 et TESS
Logiciels
Python, IDL
PDF
RELIER LES ELECTRONS ET NOYAUX COSMIQUES DANS LE CIRRUS ERIDU
RELATING COSMIC-RAY ELECTRONS AND NUCLEI IN THE ERIDU CIRRUS

Spécialité

Astrophysique

Niveau d'étude

Bac+5

Formation

Master 2

Unité d'accueil

Candidature avant le

10/08/2020

Durée

4 mois

Poursuite possible en thèse

oui

Contact

GRENIER Isabelle
+33 1 69 08 44 00

Résumé/Summary
Le projet concerne la propagation des rayons cosmiques ayant des énergies du GeV au TeV dans un nuage proche qui se trouve le long d'un tube de lignes de champ magnétique pointant vers le halo Galactique. L'objectif est de comparer le flux des noyaux cosmiques observés en rayons gamma et celui des électrons cosmiques émettant en radio.
The project concerns the propagation of cosmic rays with GeV to TeV energies in a nearby cloud which lies along a tube of magnetic-field lines pointing towards the Galactic halo. The aim is to relate the flux of cosmic-ray nuclei observed in gamma rays and with that of cosmic-ray electrons emitting in the radio.
Sujet détaillé/Full description
Les galaxies sont des écosystèmes complexes composés d'étoiles et d'un milieu interstellaire rempli de gaz magnétisé, de poussières et de particules à haute énergie appelées rayons cosmiques. Ces constituants évoluent conjointement en fonction de leurs interactions mutuelles. Un problème vieux d'un siècle consiste à expliquer comment les rayons cosmiques sont accélérés à une vitesse proche de celle de la lumière et comment ils diffusent à travers leur galaxie hôte et comment ils influencent son évolution. Is régulent en effet les entrées et sorties de gaz, fournissant une pression à grande échelle pour propulser des vents et des fontaines hors des disques galactiques. Ils chauffent, ionisent et initient également l'évolution chimique des nuages denses formant des étoiles (Grenier et al. 2015). Pourtant, la propagation des rayons cosmiques et leur interaction complexe avec leur environnement est mal décrite, tant sur le plan de l'observation que sur le plan théorique.
Le projet concerne les rayons cosmiques dont les énergies vont de quelques GeV à des dizaines de GeV car ils contribuent le plus à la pression interstellaire et ils constituent la majeure partie de la population de rayons cosmiques observables dans la Voie lactée. Nous pouvons observer à distance les particules de haute énergie pendant qu'elles diffusent à travers les nuages interstellaires. Les noyaux des rayons cosmiques sont vus par le rayonnement gamma qu'ils produisent lors d'interactions hadroniques avec le gaz, tandis que les électrons cosmiques sont observés grâce au rayonnement synchrotron qu'ils produisent en spiralant autour des champs magnétiques.
L'étude récente de la région d'Orion-Eridanus (une superbulle proche) a mis en évidence un petit nuage en forme de cirrus, appelé Eridu, qui est situé en dehors de la superbulle et loin (~200 pc) du plan Galactique. Les données de polarisation de la poussière indiquent qu'il se trouve le long d'un tube spécifique de lignes de champ magnétique pointant vers le halo. il fait peut-être partie d'une fontaine galactique. Le fait de trouver 30 % de rayons cosmiques en moins dans ce nuage par rapport au flux uniforme qui l'entoure sur des centaines de parsecs remet en question nos connaissances actuelles sur la diffusion des rayons cosmiques dans le milieu interstellaire local (Joubaud et al. 2020).
Le bord de la superbulle et le cirrus Eridu correspondent à des directions de faible intensité synchrotron en radio (par exemple à 408 MHz, Haslam et al. 1982). Le rapport des intensités synchrotron entre les deux directions suggère que les électrons cosmiques sont également appauvris dans le cirrus. Nous proposons donc d'effectuer une étude quantitative détaillée du flux d'électrons traversant le cirrus et ses environs. Les électrons de haute énergie sont plus sujets à des pertes par rayonnement que les noyaux, mais ils sont aussi indirectement produits en tant que particules secondaires dans les interactions des noyaux cosmiques avec le gaz. La comparaison entre les informations radio et gamma permettra donc de faire la lumière sur l'histoire des rayons cosmiques dans ce nuage dans ce nuage.
Galaxies are complex ecosystems composed of stars and an interstellar medium filled with magnetised gas, dust, and high-energy particles called cosmic rays. These constituents jointly evolve according to their mutual interactions. A century-long standing problem is to explain how cosmic rays are accelerated to nearly the speed of light and how they diffuse through their host galaxy and influence its evolution. They do so by regulating the gas inflows and outflows, providing large-scale pressure support to launch Galactic winds and fountains off galactic discs. They also heat, ionise, and initiate the chemical evolution of dense star-forming clouds (Grenier et al. 2015). Yet, the propagation of cosmic rays and their complex interplay with their environment is poorly quantified, both observationally and theoretically.
The project concerns cosmic rays with energies ranging from a few GeV to tens of GeV as they contribute most to the interstellar pressure and they constitute the bulk of the observable cosmic-ray population in the Milky Way. We can remotely observe the high-energy particles while they diffuse through interstellar clouds. Cosmic-ray nuclei are traced by the gamma radiation they produce in hadronic interactions with the gas, and cosmic-ray electrons are traced by the synchrotron radiation they produce spiralling around magnetic fields.
The recent study of the Orion-Eridanus region (a nearby superbubble) has highlighted a small cirrus-like cloud, named Eridu, which is located outside the superbubble and far (~200 pc) from the Galactic plane. The dust polarisation data indicates that it lies along a specific tube of magnetic-field lines pointing towards the halo, possibly as a part of a Galactic fountain. Finding 30% fewer cosmic rays in this cloud compared to the uniform flux surrounding it over hundreds of parsecs challenges our current views on cosmic-ray diffusion in the local interstellar medium (Joubaud et al. 2020).
The rim of the superbubble and the Eridu cirrus correspond to directions of low synchrotron intensities in the radio (e.g. 408 MHz, Haslam et al. 1982). The ratio of synchrotron intensities between the two directions suggests that cosmic-ray electrons are also depleted in the cirrus. We therefore propose to do a detailed quantitative study of the electron flux pervading the cirrus and its surroundings. High-energy electrons are more prone to radiation losses than nuclei, but they are also indirectly produced as secondary particles in the cosmic-ray nuclei interactions with the gas, so the comparison between the radio and gamma-ray information will shed light on the cosmic-ray history in this cloud.
Mots clés/Keywords
rayons cosmiques
cosmic rays
Compétences/Skills
Radiation processes of high-energy particles. Data analyses in gamma rays and in the radio
Logiciels
python

 

Retour en haut