Apprentissage automatique pour la modélisation de la réponse instrumentale de l'instrument NISP

La mission spatiale Euclid (https://www.euclid-ec.org) a été lancée le 1er juillet, marquant le début d’une nouvelle ère dans la recherche cosmologique. A ce titre, nous annonçons l'ouverture d'un poste de chercheur post-doctoral en apprentissage automatique pour la modélisation de la réponse de l'instrument NISP.

L'instrument NISP est un spectromètre sans fente composé du plus grand plan focal infrarouge envoyé dans l'espace à ce jour. Avec son large champ de vue, le NISP permet d'obtenir le spectrogramme de l'ensemble des sources présentent dans le champ de vue de l'instrument sur une surface angulaire équivalente à la taille apparente de la Lune. Le large champ de vue de l'instrument combiné avec la multitude de sources constituent un challenge pour les simulateurs classiques pour modéliser de façon réaliste, et en un temps limité, les images nécessaires aux analyses cosmologiques.

Les avancées dans les méthodes génératives par Machine Learning offrant de nouvelles perspectives d'application, le projet d'ANR DISPERS (2022-2026), https://dispers.pages.in2p3.fr/website) a pour ambition de développer des outils de simulation en spectroscopie sans fente basée sur de l'apprentissage profond, pour la mission spatiale Euclid et les futures grandes enquêtes cosmologiques, pour offrir de nouvelles opportunités d'application pour la planification des relevés cosmologiques, l'analyse des sources d'erreurs instrumentales, ainsi qu'à l'application des méthodes employées pour la décontamination des spectres.

La personne retenue jouera un rôle central dans le développement d'un outil de simulation numérique novateur visant à transformer la manière dont les grands relevés de galaxies sont analysés. L'objectif principal du simulateur est de modéliser de manière réaliste la réponse de l’instrument NISP en tirant parti d'algorithmes d'apprentissages automatiques récents, de techniques statistiques avancées et de formalismes d'optimisations numériques. Le simulateur vise à créer des simulations précises qui capturent les subtilités des phénomènes instrumentaux comme astronomiques, contribuant à améliorer notre compréhension des données Euclid et de futurs relevés.

Activités:

Le/La post-doc contribuera en particulier à différents aspects du projet :

· Développer et mettre en œuvre des algorithmes d’apprentissage automatique pour la modélisation de la réponse des instruments, en collaboration avec les membres de l'équipe,

· Appliquer des techniques statistiques et d’apprentissage automatique avancées pour analyser les données de la mission.

· Contribuer à la conception et à l’exécution d’expériences, de simulations et d’analyses de données.

· Participer à la validation et à l’étalonnage des outils de simulation à l’aide de données de la mission Euclid.

· Contribuer aux publications de recherche, aux présentations de conférences et aux ateliers scientifiques pour diffuser les résultats de la recherche.

· Collaborer avec les doctorants, les chercheurs et ingénieurs du projet pour favoriser un environnement de recherche collaboratif et innovant.

Compétences:

· Doctorat en astrophysique, informatique ou un domaine connexe, avec une expertise en apprentissage automatique ou en astrophysique computationnelle.

· Expérience professionnelle supérieure à deux ans.

· Solide expérience en apprentissage automatique, modélisation statistique et analyse de données, avec des applications en astrophysique ou dans des domaines connexes.

· Maîtrise du langage de programmation Python et des librairies TensorFlow, PyTorch, JAX ou similaires, pour l’implémentation d’algorithmes d’apprentissage automatique et de calcul sur GPU.

· Expérience en modélisation d’instruments, en simulations d’images ou dans des domaines connexes serait un atout majeur.

· Expérience pratique des réseaux PINNS et/ou des méthodes de transfert learning serait également un atout majeur.

· Compétences relationnelles permettant de travailler collaborativement au quotidien, tout comme une forte autonomie dans le travail.

· Excellentes compétences analytiques et résolution de problèmes

· Excellentes compétences en communication, y compris la capacité à présenter clairement et de manière concise les résultats de la recherche.

Votre CV (2 pages maximum), votre lettre de motivation (1 page), votre projet de recherche (3 à 5 pages) et votre liste de publications doivent être téléchargées sur le portail CNRS.

https://emploi.cnrs.fr/Offres/CDD/UMR7346-ANNPOR-119/Default.aspx?lang=FR

Trois lettres de recommandation devront être envoyées directement à William GILLARD gillard@cppm.in2p3.fr.