PhD Quand la physique computationnelle rencontre les observations: utiliser l'apprentissage automatique pour combler le fossé
LabEx LIO
Université étatique (France), Parcourir ses opportunités similaires
fr
Université étatique (France), Parcourir ses opportunités similaires
Brève description
Le poste de doctorat est proposé pour une période de 3 ans (36 mois). Le salaire net légal est de 1768 € par mois (plus les avantages sociaux). Un forfait annuel de 2 000 € pour les déplacements et le matériel sera alloué. Le candidat doit soumettre un manuscrit de thèse à l'université de Lyon pour une présentation formelle devant un jury avant la fin de la période de 3 ans.
Date de début du contrat: 1er octobre 2021
Projet de recherche
Le contexte
Les sciences naturelles telles que l'astrophysique, la géophysique et la physique nucléaire utilisent souvent des simulations numériques pour modéliser des systèmes physiques très complexes. Ces simulations sont désormais de plus en plus précises grâce à la puissance de calcul disponible. Par exemple, les modèles de convection 3D peuvent simuler l'évolution thermochimique et la structure des étoiles et des planètes.
Cependant, pour démêler différents modèles et pour estimer les paramètres physiques (par exemple, les conditions initiales), les résultats de ces simulations doivent être comparés aux observations. Cette confrontation des simulations aux observations est un enjeu majeur en sciences naturelles . En effet, les simulations numériques sont désormais capables de modéliser assez précisément des objets impossibles à observer directement (ex: intérieur des étoiles et des planètes, étoiles et environnement des trous noirs…). Quant aux observations, bien que leur qualité et leur quantité augmentent rapidement, elles ne sont souvent qu'indirectement liées aux paramètres réels d'intérêt (par exemple, les observations d'ondes sismiques sont utilisées pour construire des images du manteau terrestre, les visibilités interférométriques mesurées sont utilisées pour caractériser la planète. disque de formation…).
Il est très difficile de déduire des paramètres de simulation à partir d'observations. Lorsqu'une seule simulation nécessite beaucoup de calculs, il est impossible d'utiliser des méthodes d'optimisation stochastique ou continue pour déduire des paramètres. Dans la plupart des cas, on ne peut compter que sur la recherche des meilleurs ajustements sur une grille précalculée de faible dimension de paramètres de modèle.
Objectifs
Le but ultime de la thèse proposée est de construire une méthode d'interpolation rapide sur une grille d'images simulées en physique computationnelle (au sens large car il peut également s'agir de volumes ou de spectres 3D). Avec une telle méthode, nous aurons rapidement une approximation d'une image simulée à partir de n'importe quel ensemble de paramètres possible, sans avoir à exécuter la simulation coûteuse. Il sera alors possible d'utiliser n'importe quelle méthode (optimisation, inférence bayésienne) pour dériver la distribution des paramètres tant recherchée.
L'idée principale est d' utiliser un cadre d'apprentissage en profondeur pour construire l'interpolateur . En effet, toutes les images modélisées possibles sont concentrées sur un sous-espace ou une variété de dimension inférieure. Les réseaux de neurones profonds tels que les réseaux d'adversaires génératifs (GAN) [1] semblent être très efficaces pour modéliser des variétés et pourraient être des interpolateurs beaucoup plus efficaces que les interpolateurs polynomiaux classiques. Formés sur une grille d'images simulées, ces réseaux de neurones profonds produiront des approximations continues des images. A titre d'exemple de jouet, dans une variété correctement définie, les images d'un seul cercle varient continuellement avec le rayon du cercle. L'interpolation entre deux images de cercles de rayon différent doit suivre cette variété alors que toute interpolation polynomiale produira une image à deux cercles plutôt qu'une image d'un seul cercle de rayon intermédiaire.
Les grilles de modèles sont assez omniprésentes en physique, et donc un tel projet peut avoir un impact important. Pour s'assurer qu'il sera à la fois robuste et utile dans la pratique, l'interpolateur basé sur l'apprentissage profond sera développé pour deux applications différentes: (i) la caractérisation de disques de formation de planètes à l' aide de VLTI en collaboration avec J.Kluska (KU Leuven) et (ii) la reconstruction de la structure du manteau basée sur des observations géophysiques de surface.
Domaine (s) de recherche
Apprentissage automatique, problèmes inverses et traitement du signal
Directeur de thèse et contact
Nom: T. Bodin
Laboratoire: LGL-TPE
Numéro de téléphone: +33 (0) 4 72 44 79 91
Courriel: thomas.bodin@ens-lyon.fr
La thèse sera co-encadrée par
Nom: F. Soulez
Laboratoire: CRAL
Numéro de téléphone: +33 (0) 4 78 86 85 46
Courriel: ferreol.soulez@univ-lyon1.fr
Environnement de travail
Localisation et description du poste
Etant co-encadré, l'étudiant de thèse sera hébergé soit dans le laboratoire LGL Geosciences situé sur le Campus de La Doua de l'Université Lyon 1 (Villeurbanne) ou dans le laboratoire d'astrophysique CRAL à l'Observatoire de Lyon (St Genis Laval) selon la direction pratique suivie par l'oeuvre.
Équipe
CRAL: Équipe HARISSA (Haute résolution angulaire, science de l'imagerie et astrophysique des environs stellaires). Ferréol Soulez a déjà co-encadré un étudiant au laboratoire Hubert Curien à St Etienne
Ressources allouées
L'étudiant aura accès au super ordinateur de l'équipe de sismologie du LGLTPE.
Publications récentes de l'équipe
A. Berdeu, F. Soulez, L. Denis, M. Langlois, É. Thiébaut,
PIC: un algorithme de réduction des données pour les spectrographes à champ intégral
Astronomie et astrophysique - A&A , EDP Sciences, 2020, 635, pp.A90.
J. Kluska, J.-P. Berger, Fabien Malbet, B. Lazareff, M. Benisty, J.-B. Le Bouquin, O. Absil, F. Baron, A. Delboulbé, G. Duvert, A. Isella, L. Jocou, A. Juhasz, S. Kraus, R. Lachaume, F. Ménard, R. Millan-Gabet, JD Monnier, T. Moulin, K. Perraut, S. Rochat, C. Pinte, F. Soulez, M. Tallon, W.-F. Thi, E. Thiébaut, W. Traub, G. Zins
Un portrait de famille des jantes intérieures du disque autour des étoiles Herbig Ae / Be. Recherche de chaînes, anneaux, auto-ombrage et désalignements dans les unités astronomiques internes
Astronomie et astrophysique - A&A , EDP Sciences, 2020,
E. Soubies, F. Soulez, MT Mccann, TA. Pham, L. Donati, T. Debarre, D. Sage, M.Unser
Guide de poche pour résoudre les problèmes inverses avec GlobalBioIm
Problèmes inverses , IOP Publishing, 2019, 35 (10), pp.104006.
Preuve sismique d'une fonte partielle sous les plaques tectoniques
E Debayle, T Bodin, S Durand, Y Ricard
Nature 586 (7830), 555-559
Quantification de l'anisotropie sismique induite par des hétérogénéités chimiques à petite échelle
C Alder, T Bodin, Y Ricard, Y Capdeville, E Debayle, JP Montagner
Geophysical Journal International 211 (3), 1585-1600
Description du LabEx LIO
En 2011, le LabEx de l'Institut des Origines de Lyon a été sélectionné à l'issue du premier appel à projets «Laboratoire d'Excellence», dans le cadre du programme «Investissement d'Avenir» pour la recherche prospective. Il fait partie des 12 LabEx soutenus par la communauté des universités et établissements de l'Université de Lyon (COMUE). Le LIO rassemble plus de 200 chercheurs d'élite recrutés dans le monde entier et formant 18 équipes de recherche de quatre laboratoires de la région Rhône-Alpes, tous leaders dans leur domaine, sous l'égide de l'Université Claude Bernard Lyon 1 (UCBL), de l'Ecole Normale Supérieure de Lyon et le CNRS. L'objectif de LIO est d'explorer les questions sur nos origines, opérant dans un large domaine d'étude qui va de la physique des particules à la géophysique, et comprend la cosmologie, l'astrophysique, la planétologie et la vie.
Processus de sélection
Le candidat retenu sera sélectionné en partenariat avec l'Ecole Doctorale «Physique et Astrophysique» de l'Université de Lyon.
Condition d'admission aux études doctorales
Les candidats doivent être titulaires d'un master national ou équivalent.
Date limite d'inscription
1er mai 2021
Documents demandés pour l'application
Les candidats doivent soumettre leur candidature accompagnée (i) de leur cursus académique des trois dernières années, (ii) d'une lettre de motivation, (iii) d'un CV et (iv) d'une lettre de recommandation, à labex.lio@universite-lyon. fr avant le 1er mai 2021.
Les candidats inscrits sur la liste restreinte seront informés d'ici la fin du mois de mai. Ils seront interviewés en juin.
Choisissez le pays que vous souhaitez le visiter pour étudier gratuitement, travailler ou faire du bénévolat
