H/F Doctorat en Astrophysique et Analyse de données

Sujet de thèse :
Sujet de thèse : Machine learning et tests statistiques pour la détection d’anneaux autour d’exoplanètes. Application aux missions spatiales Kepler, TESS et PLATO.

Bien que les quatres planètes géantes du Système solaire possèdent des anneaux, leur origine et leur stabilité à long terme font encore débat. Des découvertes récentes d’anneaux autour d’objets plus petits, tels que Chariclo ou Haumea, ont relancé cette question, suggérant qu’une fraction significative des corps glacés pourrait en être dotée. Dans ce contexte, la détection claire d’anneaux autour d’exoplanètes, même en petit nombre, offrirait des informations inédites sur les mécanismes de formation, la structure et la composition des anneaux dans les systèmes planétaires, y compris des indices pour comprendre ceux du Système solaire.
Pour détecter ces exo-anneaux, la méthode privilégiée est la photométrie de transit, qui permet d’observer des anomalies dans la courbe de lumière d’une étoile lorsqu’elle est partiellement occultée par une planète et ses anneaux. Bien que plusieurs détections aient déjà été suggérées, aucune n’a encore été confirmée dans un système évolué comparable au Système solaire.
Les objectifs de cette thèse financée sont de développer des techniques avancées de détection d’exo-anneaux, d’en évaluer les performances, et de les appliquer à de grands ensembles de données afin d’obtenir de nouvelles détections. Deux types d’approches seront comparés : une approche de tests statistiques fondée sur des rapports de vraisemblance, et une approche d’apprentissage automatique (Machine Learning, ML) basée sur des méthodes standards (réseaux de neurones convolutionnels, SVM, etc.), suivie d’approches moins génériques, mieux adaptées à la nature statistique du problème.
Un aspect important de ce travail concerne la modélisation des propriétés statistiques du bruit dans les courbes de lumière. Nos résultats préliminaires sur l’analyse des données de Kepler montrent, pour certaines courbes de lumière, un écart significatif par rapport à l’hypothèse gaussienne classique. Cela nécessite des modèles de bruit « sur mesure » qui conduiront, tant pour les approches classiques que pour les approches ML, à des méthodes spécifiques permettant un contrôle plus fiable du taux de fausses alertes et une puissance de détection accrue par rapport aux méthodes conventionnelles.
Dans ce cadre, la thèse abordera trois questions principales: Quelles sont les limites théoriques de performance des algorithmes de détection d’exo-anneaux ? Quelle modélisation statistique du bruit affectant les courbes de lumière doit être mise en œuvre, et quel est son impact sur les méthodes de détection ? Quelles découvertes astrophysiques peuvent être obtenues grâce aux méthodes de détection développées sur des données à grande échelle (Kepler, TESS, puis PLATO) ? La recherche de garanties théoriques ou algorithmiques assurant la fiabilité et la r
Voir plus sur le site emploi.cnrs.fr...