Nouvelles techniques d'apprentissage automatique pour l'analyse de relevés astronomiques larges et profonds, multi-bandes et multi-instruments – AstroDeep

Ce projet de recherche vise à développer des techniques avancées pour l'analyse de vastes ensembles de données provenant des prochains relevés astronomiques, tels que Euclid et LSST. Ces relevés visent à comprendre l'"énergie noire", la force à l'origine de l'expansion accélérée de l'Univers. Ils présentent des défis spécifiques, comme le traitement des objets qui se superposent dans les images profondes, afin de mesurer le cisaillement gravitationnel et les décalages vers le rouge photométriques. L'équipe exploitera des techniques d'apprentissage automatique, en se concentrant particulièrement sur les architectures innovantes de réseaux neuronaux, l'apprentissage profond probabiliste et les pipelines d'analyse probabiliste. Ces techniques permettront de traiter efficacement des ensembles de données de plusieurs pétaoctets, avec des analyses combinées multi-instruments, multi-couleurs et au niveau du pixel.