Description

Pendant longtemps, la dynamique de l'Univers profond n'a été étudiée qu'à travers des données statiques : c'est grâce à l'analyse d'images fixes et de spectres que la représentation d'un Univers dynamique a émergé. Seul un nombre limité d'objets étaient connus pour présenter une nature intrinsèquement variable. Cependant, avec l'avènement des télescopes et des installations astronomiques de dernière génération, de nouvelles stratégies d'observation sont devenues possibles, ouvrant la voie à des études systématiques de tout ce qui change dans l'Univers.

Grâce au volume de données sans précédent fourni par Rubin/LSST – dont les premières alertes ont été rendues publiques cette année – la découverte de phénomènes astrophysiques d'un type inédit est quasi certaine. Cependant, le défi consiste désormais à les distinguer des milliards d'artefacts ou d'objets appartenant à des classes déjà connues. Autrement dit, nous devons non seulement trouver des aiguilles dans une botte de foin, mais nous ignorons également à quoi ressemble une aiguille. Heureusement, c'est un domaine où l'apprentissage automatique excelle.

Fink a été conçu pour acquérir, enrichir et filtrer les alertes émises par Rubin/LSST, et les redistribuer à la communauté astronomique. L'un des modules scientifiques clés de ce projet sera le détecteur d'anomalies. Basé sur l'algorithme de forêt d'isolation, son objectif est de présenter à l'utilisateur final une sélection d'objets potentiels pertinents pour une analyse plus approfondie. Cette méthode a fait ses preuves sur des jeux de données précurseurs. Cependant, deux défis majeurs demeurent : comment interpréter les décisions prises par la machine afin de faciliter l'analyse humaine ? Comment trouver plus efficacement les objets d'intérêt en intégrant les connaissances préalables, une approche appelée apprentissage actif ?

L'objectif de la thèse sera donc de rechercher de nouvelles classes de phénomènes astrophysiques dans les alertes temps réel Rubin/LSST à l'aide de Fink. Elle impliquera le développement de méthodes innovantes en intelligence artificielle, notamment en travaillant sur l'interprétabilité des algorithmes de recherche d'anomalies et en développant de nouvelles méthodes d'apprentissage
actif. Les objets découverts seront signalés à la communauté astronomique et les travaux seront menés au sein de l'équipe Fink du LPCA, en lien avec la collaboration internationale Fink, qui regroupe une centaine de chercheurs en provenance d'une vingtaine de pays.

Compétences requises

Le/La candidat(e) retenu(e) devra maîtriser les outils numériques et statistiques, ainsi que la programmation et l'utilisation de bibliothèques scientifiques. Une solide expérience en astrophysique ou en cosmologie et une bonne connaissance des environnements de programmation modernes sont également attendues. Le/La candidat(e) devra également avoir un goût prononcé pour le travail collaboratif dans un environnement international.

Bibliographie

Gangler et al. 'Signatures to help interpretability of anomalies' (https://ui.adsabs.harvard.edu/abs/2025arXiv250616314G/abstract)

Möller et al. 'FINK, a new generation of broker for the LSST community' (https://ui.adsabs.harvard.edu/abs/2021MNRAS.501.3272M/abstract)

Kornilov et al. 'Coniferest: a complete active anomaly detection framework' (https://ui.adsabs.harvard.edu/abs/2025A%26C....5200960K/abstract)

Mots clés

Rubin/LSST, Ciel transitoire, Apprentissage automatique, Apprentissage actif