1 sujet IRFU/DEDIP

Dernière mise à jour : 17-11-2018


• Mathématiques - Analyse numérique - Simulation

 

Séparation de composantes à partir de donnée multi-fréquences en radio-interférométrie, application à l'estimation du signal EoR

SL-DRF-19-0119

Domaine de recherche : Mathématiques - Analyse numérique - Simulation
Laboratoire d'accueil :

Département d'Electronique, des Détecteurs et d'Informatique pour la physique (DEDIP)

Laboratoire de cosmologie et statistiques (LCS)

Saclay

Contact :

Jérôme Bobin

Date souhaitée pour le début de la thèse : 01-10-2019

Contact :

Jérôme Bobin

CEA - DRF/IRFU/SEDI/LCS

0169084463

Directeur de thèse :

Jérôme Bobin

CEA - DRF/IRFU/SEDI/LCS

0169084463

Page perso : http://jbobin.cosmostat.org

Labo : http://www.cosmostat.org

Avec le développement des radio-télescopes de taille continentale, l'analyse de données radio-interférométriques multi-fréquences devient un enjeu majeur tant en traitement du signal qu'en astrophysique. A ce titre, l'un des objets d'intérêt astrophysique est le signal cosmologique à l'époque de la réionisation de l'Univers dont l'extraction repose sur l'utilisation de méthodes de séparation de composantes. De telles méthodes permettent de décomposer des données multi-fréquences en composantes physiques élémentaires. Cependant, les méthodes actuelles sont limitées à plus d'un titre: i) les données sont constituées de mesures incomplètes dans le domaine de Fourier et ii) le signal recherché est bien plus faible que le niveau des sources d'origine galactique ou le bruit instrumental. En conséquence, l'extraction du signal EoR requiert le développement de méthodes de séparation de composantes dédiées permettant de résoudre à la fois un problème de séparation et d'échantillonnage compressé (compressed sensing) pour la prise en compte de l'incomplétude des données. Par ailleurs, le niveau de précision nécessaire conduira à la prise en compte de modèles physiques paramétriques et généralement non-linéaires au sein même de l'algorithme de séparation. Ces développements pourront faire appel à des outils de Machine Learning pour l'apprentissage de modèles complexes. Enfin, l'astrophysique entrant dans l'ère

du Big Data, une attention particulière sera portée sur la mise en oeuvre d'algorithmes efficaces d'un point de vue computationnel.

 

Retour en haut