L'IA (intelligence artificielle) change significativement la manière de résoudre les problèmes inverses en astrophysique.
En radio-interférométrie, la detection de radio sources et leur classification nécessitent de prendre en compte de nombreux effets comme un bruit non-Gaussien, un échantillonnage incomplet de l'espace de Fourier, et la nécessité de construire un ensemble de données suffisant pour le training. La difficulté augmente quand la source à reconstruire évolue dans le temps. On trouve de tels exemples de variations temporelles dans différents problèmes inverses en astrophysique comme les objets transitoires (supernovae, fast radio burst, etc).
ARGOS est un projet pilote pour un interféromètre radio qui effectuera des observations continues en temps réel à grand champ dans des longueurs d'onde centimétriques. La combinaison d'un large champ de vision et d'une sensibilité élevée permettra à ARGOS de détecter des sources transitoires qui varient sur des échelles de temps inférieures à une seconde. ARGOS sera capable de détecter des milliers de sursauts radio rapides par an. Ces événements devront être différenciés avec précision des autres sources transitoires détectées par ARGOS, telles que les supernovae, les sursauts gamma, les naines blanches, les étoiles à neutrons, les blazars, etc. Compte tenu des courtes échelles de temps de certains de ces événements transitoires et de la nécessité de un suivi rapide, ARGOS aura besoin de solutions de classification de pointe utilisant des architectures d'apprentissage automatique de pointe.
Cette these consiste à developper des outils novateurs issue du machine learning pour résoudre des problèmes de reconstruction d'image et de classification de sources.