IA générative pour la quantification robuste des incertitudes dans les problèmes inverses en as[...]

Description du sujet de thèse

Domaine

Physique corpusculaire et cosmos

Sujets de thèse

IA générative pour la quantification robuste des incertitudes dans les problèmes inverses en astrophysiques

Contrat

Thèse

Description de l'offre

Contexte
Les problèmes inverses, c'est-à-dire l'estimation des signaux sous-jacents à partir d'observations corrompues, sont omniprésents en astrophysique, et notre capacité à les résoudre avec précision est essentielle à l'interprétation scientifique des données. Parmi les exemples de ces problèmes, on peut citer l'inférence de la distribution de la matière noire dans l'Univers à partir des effets de lentille gravitationnelle ou la séparation des composantes dans l'imagerie radio-interférométrique.

Grâce aux récents progrès de l'apprentissage profond, et en particulier aux techniques de modélisation générative profonde (par exemple les modèles de diffusion), il est désormais possible non seulement d'obtenir une estimation de la solution de ces problèmes inverses, mais aussi d'effectuer une quantification de l'incertitude en estimant la distribution de probabilité a posteriori Bayésienne du problème.

Projet de doctorat
Le candidat visera à répondre à ces limitations des méthodologies actuelles, avec l'objectif global de rendre la quantification de l'incertitude pour les problèmes inverses à grande échelle plus rapide et plus précise.
Comme première direction de recherche, nous étendrons une méthodologie récente développée par notre équipe, basée sur l'algorithme d'espérance-maximisation, afin d'apprendre itérativement des distributions à priori basées sur des méthodes de diffusion à des données observées sous un certain degré de corruption.

Dans une deuxième direction, nous nous concentrerons sur le développement de méthodologies générales pour l'échantillonnage de postérieurs complexes de problèmes inverses non linéaires. En particulier, nous étudierons des stratégies basées sur le recuit de la distribution à posteriori, inspirées de l'échantillonnage de modèles de diffusion.

Références
[1] Benjamin Remy, Francois Lanusse, Niall Jeffrey, Jia Liu, Jean-Luc Starck, Ken Osato, Tim Schrabback, Probabilistic Mass Mapping with Neural Score Estimation, https://www.aanda.org/articles/aa/abs/2023/04/aa43054-22/aa43054-22.html

[2] Tobías I Liaudat, Matthijs Mars, Matthew A Price, Marcelo Pereyra, Marta M Betcke, Jason D McEwen, Scalable Bayesian uncertainty quantification with data-driven priors for radio interferometric imaging, RAS Techniques and Instruments, Volume 3, Issue 1, January 2024, Pages 505-534, https://doi.org/10.1093/rasti/rzae030

[3] Zaccharie Ramzi, Benjamin Remy, Francois Lanusse, Jean-Luc Starck, Philippe Ciuciu, Denoising Score-Matching for Uncertainty Quantification in Inverse Problems, https://arxiv.org/abs/2011.08698

Université / école doctorale
Astronomie et Astrophysique d'Île de France (ED A&A)
Paris-Saclay

Critères candidat
Formation recommandée
Master MVA ou similaire, donc M2 en machine learning

Demandeur
Disponibilité du poste
01/10/2025

Personne à contacter par le candidat
LIAUDAT Tobias tobias.liaudat@cea.fr
CEA
DRF/IRFU/DEDIP
Pièce 20, Bâtiment 123, CEA-Saclay
07 83 88 91 52

Tuteur / Responsable de thèse
LANUSSE François francois.lanusse@cnrs.fr
CEA
DRF/IRFU/DAp
Pièce 279, Bât 709, Département d'Astrophysique (DAp)
DAp/IRFU/DRF/CEA Saclay
Orme des Merisiers
F-91191 Gif-sur-Yvette
France
+33 6 70 76 38 33

En savoir plus
https://flanusse.net
https://www.cosmostat.org
https://tobias-liaudat.github.io