Doctorat en physique statistique et échantillonnage (h/f)

Vos missions en quelques mots Sujet de thèse : La modélisation générative vise à l'apprentissage non supervisé d'un modèle probabiliste capable de générer des données correspondant aux réalisations typiques fournies en tant que données d'entraînement. Diverses approches ont désormais démontré que les modèles génératifs profonds peuvent modéliser fidèlement des distributions de données complexes, telles que des distributions sur des images, de l'audio ou des textes. Un exemple célèbre serait la génération d'une image avec un certain contenu, disons un visage, à partir d'une collection de telles images. Récemment, il a été proposé de réorienter ces puissants modèles génératifs (MG) pour s'attaquer au problème d'échantillonnage, c'est-à-dire lorsqu'on ne dispose pas de données issues de la distribution d'intérêt, mais plutôt de la connaissance de sa densité non normalisée [LW18 ; AKS19 ; Noé19]. L'objectif devient alors d'entraîner un modèle génératif qui s'approchera de cette distribution cible et facilitera son échantillonnage, tel que requis en mécanique statistique ou en inférence bayésienne. Ici, une étape de débiaisage est cruciale pour éviter des approximations non contrôlées lors de l'échantillonnage. Des travaux pionniers dans cette direction, dont ceux de la directrice [RV22 ; Gre23], ont démontré que des sous-classes de MG — les flots normalisants et les réseaux autorégressifs — peuvent atteindre un échantillonnage exact en permettant le calcul de la repondération des réalisations générées par rapport à la mesure cible. Des preuves de concept ont été présentées dans divers domaines de la physique et de la chimie, notamment les théories quantiques des champs sur réseau [Abb24], les biomolécules [Noé19] ou encore les nano-agrégats d'atomes lourds [Mol24]. Cependant, si le débiaisage est direct et peu coûteux en calcul pour les flots normalisants et les réseaux autorégressifs grâce à leur vraisemblance tractable, ces classes de MG sont limitées par leur manque d'expressivité. Projet : L'objectif de ce projet est de tester et de développer des méthodes de débiaisage pour les modèles de diffusion plus puissants [Soh15 ; Son21] et les modèles de flot matching [Lip23 ; ABV23]. Nous chercherons à explorer deux stratégies possibles. D'une part, une vraisemblance approchée de ces modèles peut être calculée en utilisant la description par équation différentielle ordinaire (EDO) équivalente à leur implémentation traditionnelle par équation différentielle stochastique (EDS). D'autre part, ces modèles sont enracinés dans la mécanique statistique hors équilibre, qui fournit des outils pour estimer la repondération des trajectoires [Cro98 ; AV24], d'une manière étroitement liée au Monte Carlo séquentiel [CP20] développé en statistiques. En partant du cas simple de l'échantillonnage à partir de mélanges gaussiens, nous développerons et testerons des approches exploitant ces deux directions. La conception la plus performante s Voir plus sur le site emploi.cnrs.fr Profil recherché Contraintes et risques : Aucuns Niveau d'études minimum requis Niveau Niveau 7 Master/diplômes équivalents Spécialisation Formations générales Langues Français Seuil