Institute of research into the fundamental laws of the Universe

Blending of astrophysical sources has a significant impact on the measurement of the morphological properties of galaxies. It is therefore essential to develop effective and reliable methods for identifying blended sources in survey data. The goal of this internship is to develop a machine learning technique for this task

Les méthodes de machine learning ont montré leur efficacité pour la resolution de problème inverse. Ces méthodes nécessitent toutefois d’avoir de nombreuses données pour l’apprentissage et il n’est pas établit comment se comporte les algorithmes quand le jeu d’entrainement diffère des données.
Le but de ce stage est d’étudier ce problème de généralisation dans le cadre de la reconstruction d’image en astrophysique. Plusieurs types de réseaux seront étudiés (UNET, RESNET, LEARNLET), et une evaluation sera faite pour évaluer l’impact d’un jeu d’entrainement différent des vrais données. Une comparaison sera également faite avec des méthodes plus conventionnelles comme celles basées sur les ondelettes.
References:
? F. Sureau, A. Lechat and J.-L. Starck, "Deep Learning for space-variant deconvolution in galaxy surveys", Astronomy and Astrophysics, 641, A67, 2020.

machine learning, astrophysique

astrophysique

machine learning teachniques

Python, TensorFlow