[Thèse de doctorat, H/F] Modélisation statistique et apprentissage profond guidé par la physique pour l

Sujet de thèse :
Mots-clés :
modélisation statistique, apprentissage profond guidé par la physique, approches non-supervisées, problèmes inverses, approches hybrides, modélisation instrumentale, modélisation des nuisances, données multi-variées, imagerie à haute résolution angulaire et à haut contraste, détection et caractérisation d’exoplanètes.

Contexte scientifique :
L'observation directe de l'environnement proche des étoiles permet de détecter des exoplanètes et de sonder l'environnement circumstellaire, apportant des informations cruciales sur la formation, l'évolution et la diversité des systèmes exoplanétaires [1]. Du fait de la très faible séparation angulaire et du contraste extrême entre l'étoile hôte (très brillante) et ses compagnons (très peu brillants), cette tâche est particulièrement complexe. Pour surmonter ces difficultés, des techniques instrumentales dédiées sont utilisées : (i) l'optique adaptative extrême, qui compense en temps réel les distorsions du front d'onde introduites par la turbulence atmosphérique ; (ii) la coronographie, qui bloque partiellement la lumière stellaire ; (iii) des stratégies d'observation exploitant le mode pupille-stabilisé du télescope, introduisant une diversité à exploiter pour le démélange des signaux en jeu [2]. Les méthodes avancées de traitement des données, qui combinent des séries d'images spatio-temporelles et spectrales, constituent une autre brique essentielle de l'imagerie directe. Le développement de méthodes de traitement adaptées est ainsi crucial pour améliorer la sensibilité de détection et la précision de la caractérisation physique des exoplanètes (spectre et orbite).

Objectifs de recherche :
Le projet s'organise autour de trois axes complémentaires :

1/ Modélisation fine de la nuisance :
La modélisation des corrélations spatio-temporo-spectrales de la composante de nuisance (speckles et bruit) est essentielle pour sa suppression efficace. Ces corrélations sont souvent locales (liées aux speckles) mais peuvent s’étendre à plus grande échelle spatiale (fuites stellaires, en dehors du coronographe). Les approches actuelles les modélisent soit localement (via des modèles statistiques par patchs [4]), soit globalement (par des techniques d’apprentissage automatique [5,6,7]). Deux pistes seront explorées : (i) modèles statistiques flexibles à complexité réduite [8] ; (ii) apprentissage sur des archives massives par apprentissage profond, produisant des scores de détection fiables et statistiquement interprétables.

2/ Intégration de connaissances physiques a priori :
Le projet exploitera des connaissances a priori sur :
- le processus de formation d’image : en intégrant des modèles instrumentaux (optique) dans l'apprentissage, afin d'associer des aberrations typiques des cartes de phase à des structures typiques de speckles observés.
- les objets astrophysiques : en utilisant des simulations physiques (chimie des atmosphères) pour
Voir plus sur le site emploi.cnrs.fr...