Chercheur Postdoctoral - Fusion de Données Tardive pour la Caractérisation des Exoplanètes H/F CNRS

Plus de 5000 exoplanètes ont été découvertes à ce jour. L'inventaire est toujours en cours, mais notre domaine investit maintenant massivement dans la caractérisation des propriétés physiques et chimiques de ces objets grâce à l'utilisation de caméras d'imagerie sensibles et de spectrographes de diverses résolutions spectrales opérant de 0,5 à 28 µm.

Notre groupe a développé l'outil de modélisation bayésienne FORMOSA (Petrus et al. 2023). Il permet d'inférer des spectres à basse (R=/=30) et haute résolution (R=100 000) des exoplanètes à l'aide de grilles pré-calculées de modèles. Le code peut estimer les propriétés globales (température effective, profils pression-température) des objets ainsi que leurs compositions atmosphériques, les distributions verticales des nuages et la taille des particules.

La nature des données que nous interprétons avec FORMOSA devient de plus en plus complexe à mesure que de nouveaux instruments entrent en fonctionnement. Les formats de données peuvent être hétérogènes, les ensembles de données déséquilibrés et couvrir les mêmes gammes de longueurs d'onde avec différents rapports signal/bruit et résolutions spectrales. De plus, les modèles d'atmosphère que nous utilisons sont encore imparfaits et montrent des déviations systématiques pouvant biaiser la caractérisation.

La fusion de données est une branche de la science des données (voir Lahat et al. 2015) visant à combiner des ensembles de données correspondant au même phénomène pour la prise de décision ou pour obtenir des contraintes plus précises sur un modèle (par exemple, les prévisions météorologiques). Dans ce cadre, considérer conjointement des données acquises par différents instruments sur les mêmes objets a le potentiel de conduire à des estimations plus robustes et fiables. Des exemples de fusion de données pour l'astrophysique ont déjà été réalisés dans le contexte du désentrelacement de spectres de galaxies à partir de différentes modalités (voir la méthode ODHIN dans Bacon et al., 2023), basés sur des hypothèses simplifiées. Surmonter les limitations inhérentes à ces méthodes et les adapter aux modalités d'imagerie des exoplanètes représente un nouveau défi.

La chercheuse ou le chercheur postdoctoral(e) étudiera comment les techniques de fusion de données peuvent être utilisées dans FORMOSA pour relever les défis mentionnés ci-dessus. Elle/Il proposera de nouvelles méthodologies reposant sur l'inférence statistique et l'apprentissage automatique appliqués à la fusion de données et les transposera au domaine de la caractérisation des exoplanètes. Elle/Il développera et maintiendra le code FORMOSA en coordination avec l'équipe d'étudiants travaillant sur son développement en France. Elle/Il appliquera la nouvelle méthodologie à la caractérisation des exoplanètes comme preuve de concept.

Références
- Petrus et al. 2023, A&A, 670, 9.
- Lahat et al. 2015, Proceedings of the IEEE,103 (9), 1449-1477
- Bacon et al. 2023, A&A, 670, A4.
Activités
- Proposer et adapter des approches innovantes basées sur la fusion de données pour relever les défis mentionnés ci-dessus.
- Présenter les résultats dans des revues de rang A.
- Communiquer les résultats aux communautés des sciences des données et de l'astronomie.
- Coordonner, maintenir et documenter les développements dans FORMOSA.
Compétences
- Doctorat en mathématiques appliquées, vision par ordinateur, science des données.
- Connaissances en méthodes d'inférence statistique et apprentissage automatique.
- Connaissances en spectroscopie et imagerie appréciées.
- Solides compétences en codage Python. Connaissance de Julia et Matlab appréciées.
- Compétences rédactionnelles en anglais.
Contexte de travail

Le/la candidat(e) travaillera dans les groupes de Mickaël BONNEFOY, Mauro DALLA MURA et Florent CHATELAIN à l'Institut de Planétologie et d'Astrophysique de Grenoble et au GIPSA-Lab (Grenoble Images Parole Signal Automatique), tous deux situés sur le