4 sujets /DAp/LCS

Dernière mise à jour : 14-05-2021


 

Analyse "3x2pt": Corrélations croisées des sondes cosmologiques, et application aux relevés de pointe de l'effet de lentille gravitationnelle faible et l'agglomération des galaxies

SL-DRF-21-0278

Laboratoire d'accueil :

Direction d’Astrophysique (DAP)

Laboratoire CosmoStat (LCS)

Saclay

Contact :

Martin Kilbinger

Valeria Pettorino

Date souhaitée pour le début de la thèse : 01-09-2021

Contact :

Martin Kilbinger
CEA - DRF/IRFU/DAP/LCS

21753

Directeur de thèse :

Valeria Pettorino
CEA - DRF/IRFU/DAP/LCS


Page perso : http://www.cosmostat.org/jobs/mk_3x2pt_2020

Labo : http://www.cosmostat.org/

Les grandes expériences cosmologiques comme les télescopes Euclid et Nancy Grace Roman, ou le relevé du sol LSST, utiliseront deux sondes principales avec le but de mesurer les propriétés de la matière noire et l'énergie sombe : L'effet de lentille gravitationnelle faible, ce qui est la déformation des images de galaxies lointaines par les champs de marée de la matière aux très grandes échelles, et l'agglomération des galaxies, ce qui désigne la redistribution des galaxies dans la toile cosmique de matière noire.



Cette thèse explorera la corrélation croisée entre ces deux sondes, ce qui est d'une grande importance comme elles sont sensitives aux même structures ce qui les lie. Ce travail sera appliqué aux données des relevés UNIONS et DESI. L'étudiant se formera à l'interface entre la théorie et les observations, et fournira des outils clés pour les grands relevés prochains.
Cartographier la matière noire revelé par son effet de lentille gravitationnelle faible pour étudier la cosmologie et les ondes gravitationnelles

SL-DRF-21-0350

Laboratoire d'accueil :

Direction d’Astrophysique (DAP)

Laboratoire CosmoStat (LCS)

Saclay

Contact :

Martin Kilbinger

Date souhaitée pour le début de la thèse : 01-09-2021

Contact :

Martin Kilbinger
CEA - DRF/IRFU/DAP/LCS

21753

Directeur de thèse :

Martin Kilbinger
CEA - DRF/IRFU/DAP/LCS

21753

Page perso : http://www.cosmostat.org/jobs/mk_wlcosmogw_2020

Labo : http://www.cosmostat.org

L'effet de lentille gravitationnelle faible désigne les distortions d'image des galaxies dues aux structures à grande échelle. Les cartes de matière noire mesuré à l'aide de l'effet de lentille gravitationnelle faible nous permet d'élucidir le mystère de l'accélération récente de l'Univers. En plus, elles sont importantes pour les études des ondes gravitationnelles (OG), qui peuvent être magnifié par la matière noire au long de la ligne de visée.



Cette thèse développera des méthodes d'analyse des données de l'effet de lentille gravitationnelle. Des techniques de l'apprentissage automatique seront utilisées calibrer les mesures. Ces méthodes seront appliquées aux données du relevé UNIONS (Ultraviolet Near-Infrared Optical Northen Sky Survey) et le télescope WFST (Wide-Field Survey Telescope) qui sera construit en Chine, pour le but de mesurer des propriété de l'énergie sombre, et de corriger la magnification des signaux OG.
Tomographie de l’énergie sombre avec le satellite Euclid

SL-DRF-21-0206

Domaine de recherche : Astrophysique
Laboratoire d'accueil :

Direction d’Astrophysique (DAP)

Laboratoire CosmoStat (LCS)

Saclay

Contact :

Valeria Pettorino

Date souhaitée pour le début de la thèse : 01-10-2021

Contact :

Valeria Pettorino
CEA - DRF/IRFU/DAP/LCS


Directeur de thèse :

Valeria Pettorino
CEA - DRF/IRFU/DAP/LCS


Page perso : https://www.valeriapettorino.com/

Labo : http://www.cosmostat.org/

Alors que l’Univers est en expansion, à une vitesse croissante, la question de savoir ce qui cause l’accélération cosmique n’est pas encore résolue. L’accélération semble agir contre l’attraction gravitationnelle, comme si une nouvelle source d’énergie, l’énergie sombre, en était responsable.

Cette proposition de doctorat est destinée à contribuer à la mission spatiale Euclid de l’ESA, qui sera lancé en 2022, observera comment les galaxies se sont formées pour dévoiler la nature de l’énergie noire et de la matière noire.

Le projet va effectuer une `` tomographie de l’énergie sombre ’’, qui permettra de contribuer à la mission spatiale Euclid et à la taskforce qui va comparer les prévisions de la théorie avec les données.

Le doctorant pourra travailler à l’interface entre les données et la théorie et collaborer concrètement à une grande collaboration comme le satellite Euclid. Les objectifs comprennent 1) étendre le logiciel de vraisemblance pour tester l’énergie sombre à différentes époques 2) contribuer à l’effort de collaboration sur la comparaison des prévisions théoriques avec les simulations en prévision des données 3) étudier différentes méthodes d’apprentissage automatique pour reconstruire la contribution de l’énergie sombre à chaque époque.

Incertitudes pour la reconstruction d'images à grande échelle basée sur l'apprentissage profond

SL-DRF-21-0336

Domaine de recherche : Data intelligence dont Intelligence Artificielle
Laboratoire d'accueil :

Direction d’Astrophysique (DAP)

Laboratoire CosmoStat (LCS)

Saclay

Contact :

Jean-Luc STARCK

Date souhaitée pour le début de la thèse : 01-10-2021

Contact :

Jean-Luc STARCK
CEA - DSM/IRFU/SAp/LCS

01 69 08 57 64

Directeur de thèse :

Jean-Luc STARCK
CEA - DSM/IRFU/SAp/LCS

01 69 08 57 64

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.

• Astrophysique

• Data intelligence dont Intelligence Artificielle

 

Retour en haut