En utilisant ce site, vous acceptez que les cookies soient utilisés à des fins d'analyse et de pertinence     Oui, j'accepte  Non, je souhaite en savoir plus

Pendant cette période de confinement, l’INSTN maintient autant que possible les formations prévues dans les semaines à venir en distanciel ou en présentiel pour les enseignements pratiques. Pour nous contacter, veuillez privilégier le mail. Protocole sanitaire

Sujets de thèse
Filtrer par critères

DRF : Sujet de thèse SL-DRF-21-0336

DOMAINE DE RECHERCHE
Data intelligence dont Intelligence Artificielle / Défis technologiques
INTITULÉ DU SUJET Français English

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

RÉSUMÉ DU SUJET

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.

FORMATION NIVEAU MASTER RECOMMANDÉ

master en physique, astrophysique, mathématiques appliquées, ou traitement du signal

INFORMATIONS PRATIQUES
Institut de recherche sur les lois fondamentales de l’univers
Direction d’Astrophysique
Laboratoire CosmoStat
Centre : Saclay
Date souhaitée pour le début de la thèse : 01/10/2021
PERSONNE À CONTACTER PAR LE CANDIDAT

Jean-Luc STARCK  

CEA
DSM/IRFU/SAp/LCS
CEA/Saclay, Orme des Merisiers

Téléphone : +33 1 69 08 57 64

UNIVERSITÉ / ÉCOLE DOCTORALE
Paris-Saclay
Astronomie et Astrophysique d’Île de France
DIRECTEUR DE THÈSE

Jean-Luc STARCK

CEA
DSM/IRFU/SAp/LCS
CEA/Saclay, Orme des Merisiers