| 2 sujets IRFU |
Dernière mise à jour : 12-04-2021
Incertitudes pour la reconstruction d'images à grande échelle basée sur l'apprentissage profond
|
Contact : |
Date souhaitée pour le début de la thèse : 01-10-2021
| Contact : |
|
| Directeur de thèse : |
|
Page perso : http://jstarck.cosmostat.org
Labo : http://www.cosmostat.org
Le deep learning (DL) a changé la manière de résoudre des problèmes inverses. De nombreux défis scientifiques subsistent qu'il est nécéssaire de relever pour son déploiement en imagerie astronomique: i) la prise en compte du modèle de formation physique, ii) l’estimation des incertitudes sur les images reconstruites, iii) la généralisation, et iv) le volume des données pour le passage à l’échelle. Pour quantifier les incertitudes, nous avons introduit une approche DL probabiliste (Remy et al., 2020), qui permet de dériver la distribution à posteriori de la solution, mais qui nécessite l’utilisation de techniques coûteuses de simulation (MCMC), ce qui ne permet pas son utilisation dans des projets ambitieux comme Euclid ou SKA.
Plusieurs défis seront relevés dans cette thèse:
- Développer une nouvelle méthode DL pour quantifier les incertitudes, tout en jouissant de garanties théoriques de couverture. On s’appuiera sur la régression conforme de quantiles, une nouvelle méthode issue des statistiques théoriques (Romano et al., 2019).
- La généralisation: Nous avons récemment proposé une nouvelle architecture de réseaux de neurones (les learnet, Ramsi et al., 2020), qui a l’avantage d’inclure certaines propriétés de la transformée en ondelettes comme la reconstruction exacte. Ce type d’architecture devrait apporter une solution au problème de généralisation.
- Le passage à l'échelle sur des données de dimension 3 ou 4. Il s’agira alors d’étendre les résultats obtenus pour pouvoir manipuler efficacement ce type de données.
Le dernier challenge de cette thèse sera de mettre en place ces nouveaux outils pour résoudre des problèmes dans deux grands projets internationaux, pour les cartes de matière noire avec Euclid et SKA.
[1] B. Remy, F. Lanusse, Z. Ramzi, J. Liu, N. Jeffrey and J.-L. Starck, "Probabilistic Mapping of Dark Matter by Neural Score Matching", NeurIPS 2019 Machine Learning and the Physical Sciences Workshop.
[2] Y. Romano E. Patterson E. J. Candès, Conformalized quantile regression. Advances in neural information processing systems 32 NeurIPS, 2019.
[3] Z. Ramzi, JL Starck, T Moreau, P Ciuciu, "Wavelets in the deep learning era", European Signal Processing Conference, accepted submission to the EUSIPCO 2020 conference.
Plusieurs défis seront relevés dans cette thèse:
- Développer une nouvelle méthode DL pour quantifier les incertitudes, tout en jouissant de garanties théoriques de couverture. On s’appuiera sur la régression conforme de quantiles, une nouvelle méthode issue des statistiques théoriques (Romano et al., 2019).
- La généralisation: Nous avons récemment proposé une nouvelle architecture de réseaux de neurones (les learnet, Ramsi et al., 2020), qui a l’avantage d’inclure certaines propriétés de la transformée en ondelettes comme la reconstruction exacte. Ce type d’architecture devrait apporter une solution au problème de généralisation.
- Le passage à l'échelle sur des données de dimension 3 ou 4. Il s’agira alors d’étendre les résultats obtenus pour pouvoir manipuler efficacement ce type de données.
Le dernier challenge de cette thèse sera de mettre en place ces nouveaux outils pour résoudre des problèmes dans deux grands projets internationaux, pour les cartes de matière noire avec Euclid et SKA.
[1] B. Remy, F. Lanusse, Z. Ramzi, J. Liu, N. Jeffrey and J.-L. Starck, "Probabilistic Mapping of Dark Matter by Neural Score Matching", NeurIPS 2019 Machine Learning and the Physical Sciences Workshop.
[2] Y. Romano E. Patterson E. J. Candès, Conformalized quantile regression. Advances in neural information processing systems 32 NeurIPS, 2019.
[3] Z. Ramzi, JL Starck, T Moreau, P Ciuciu, "Wavelets in the deep learning era", European Signal Processing Conference, accepted submission to the EUSIPCO 2020 conference.
Machine learning pour le démélange des signaux gravitationnels de l'interféromètre LISA
|
Contact : |
Date souhaitée pour le début de la thèse : 01-09-2021
| Contact : |
|
| Directeur de thèse : |
|
Page perso : www.jerome-bobin.fr
Suite aux premières détections directes d’ondes gravitationnelles en 2015, couronnées par le prix Nobel de Physique 2017, une nouvelle fenêtre d'observation de notre Univers s’est ouverte. A la différence des interféromètres au sol, l’observatoire spatial LISA (Laser Interferometer Space Antenna) sera sensible à un grand nombre de signaux de nature physique distincte : systèmes binaires galactiques, trous noirs supermassifs, systèmes binaires à rapports de masses élevés, etc. Cette richesse pose un défi majeur d’analyse de données : le démélange de nombreux évènements gravitationnels et de nature physique différente. L’objectif de cette est de développer la première méthode de démélange pour l’analyse des données LISA. L’approche proposée utilise des représentations des signaux adaptées à chaque catégorie d’évènements, tirant partie de la différence de morphologie de leurs signatures temporelles. La construction de ces représentations fera appel à des méthodes d’apprentissage automatique (machine learning) avancées. La méthode proposée sera évaluée par une participation aux LISA Data Challenges (LDC).
