1 sujet IRFU/DEDIP

Dernière mise à jour : 08-09-2021


««

• Data intelligence dont Intelligence Artificielle

 

Machine learning pour le démélange des signaux gravitationnels de l'interféromètre LISA

SL-DRF-21-0300

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

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

Laboratoire ingénierie logicielle et applications spécifiques (LILAS)

Saclay

Contact :

Jérôme Bobin

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

Contact :

Jérôme Bobin
CEA - DRF/IRFU/DEDIP/LILAS

0169084463

Directeur de thèse :

Jérôme Bobin
CEA - DRF/IRFU/DEDIP/LILAS

0169084463

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).

 

Retour en haut