[thèse de doctorat, h/f] modélisation statistique et apprentissage profond guidé par la physique pour la détection et la caractérisation d'exoplanètes à haut contraste à partir de données multi-variées

Informations générales

Intitulé de l'offre : [Thèse de doctorat, H/F] Modélisation statistique et apprentissage profond guidé par la physique pour la détection et la caractérisation d'exoplanètes à haut contraste à partir de données multi-variées
Référence : UMR5574-OLIFLA-002
Nombre de Postes : 1
Lieu de travail : ST GENIS LAVAL
Date de publication : vendredi 8 août 2025
Type de contrat : CDD Doctorant
Durée du contrat : 36 mois
Date de début de la thèse : 1 novembre 2025
Quotité de travail : Complet
Rémunération : La rémunération est d'un minimum de 2200,00 € mensuel
Section(s) CN : 55 - Sciences et données

Description du sujet de thèse

Mots-clés :
modélisation statistique, apprentissage profond guidé par la physique, approches non-supervisées, problèmes inverses, approches hybrides, modélisation instrumentale, modélisation des nuisances, données multi-variées, imagerie à haute résolution angulaire et à haut contraste, détection et caractérisation d’exoplanètes.

Contexte scientifique :
L'observation directe de l'environnement proche des étoiles permet de détecter des exoplanètes et de sonder l'environnement circumstellaire, apportant des informations cruciales sur la formation, l'évolution et la diversité des systèmes exoplanétaires [1]. Du fait de la très faible séparation angulaire et du contraste extrême entre l'étoile hôte (très brillante) et ses compagnons (très peu brillants), cette tâche est particulièrement complexe. Pour surmonter ces difficultés, des techniques instrumentales dédiées sont utilisées : (i) l'optique adaptative extrême, qui compense en temps réel les distorsions du front d'onde introduites par la turbulence atmosphérique ; (ii) la coronographie, qui bloque partiellement la lumière stellaire ; (iii) des stratégies d'observation exploitant le mode pupille-stabilisé du télescope, introduisant une diversité à exploiter pour le démélange des signaux en jeu [2]. Les méthodes avancées de traitement des données, qui combinent des séries d'images spatio-temporelles et spectrales, constituent une autre brique essentielle de l'imagerie directe. Le développement de méthodes de traitement adaptées est ainsi crucial pour améliorer la sensibilité de détection et la précision de la caractérisation physique des exoplanètes (spectre et orbite).

Objectifs de recherche :
Le projet s'organise autour de trois axes complémentaires :

1/ Modélisation fine de la nuisance :
La modélisation des corrélations spatio-temporo-spectrales de la composante de nuisance (speckles et bruit) est essentielle pour sa suppression efficace. Ces corrélations sont souvent locales (liées aux speckles) mais peuvent s’étendre à plus grande échelle spatiale (fuites stellaires, en dehors du coronographe). Les approches actuelles les modélisent soit localement (via des modèles statistiques par patchs [4]), soit globalement (par des techniques d’apprentissage automatique [5,6,7]). Deux pistes seront explorées : (i) modèles statistiques flexibles à complexité réduite [8] ; (ii) apprentissage sur des archives massives par apprentissage profond, produisant des scores de détection fiables et statistiquement interprétables.

2/ Intégration de connaissances physiques a priori :
Le projet exploitera des connaissances a priori sur :
- le processus de formation d’image : en intégrant des modèles instrumentaux (optique) dans l'apprentissage, afin d'associer des aberrations typiques des cartes de phase à des structures typiques de speckles observés.
- les objets astrophysiques : en utilisant des simulations physiques (chimie des atmosphères) pour fournir des a priori spectraux sur les exoplanètes à détecter.
Ces connaissances seront intégrées comme régularisations ou via des approches hybrides combinant flexibilité et interpretabilité.

3/ Fusion de données multi-époques et hétérogènes :
Combiner plusieurs observations d'une même étoile à différentes dates (époques) permet d'augmenter la sensibilité de détection. Le défi associé est de prendre en compte à la fois le mouvement orbital des exoplanètes et les variations des conditions d'observation. Une méthode récente de fusion multi-époques [11] sera enrichie avec les modèles statistiques développés (points 1/ et 2/) pour corriger les limites actuelles. L'objectif est de fournir des statistiques suffisantes pour chaque observation individuelle, et de les fusionner sans perte d'information, en tenant compte de la qualité variable des données.

Données, instruments et versatilité des développements :
Le doctorant développera des méthodes de traitement pour les données en intensité totale (imagerie et spectroscopie) issues de SPHERE (VLT). Des données multi-époques d'archives seront exploitées. À terme, les méthodes seront étendues à d'autres instruments, notamment du télescope spatial JWST, aux caractéristiques (., résolutions spatiale & spectrale, structure de la nuisance) différentes. Des tests seront envisagés sur des simulations HARMONI (instrument du futur télescope ELT), nécessitant des modèles adaptés aux corrélations à large échelle spatiale (dues au miroir segmenté), et des stratégies multi-époques en raison de la très faible intensité des exoplanètes cibles.

Compétences attendues :
Formation solide en traitement du signal/image, mathématiques appliquées, machine learning ou vision par ordinateur. Intérêt pour la physique, les projets interdisciplinaires et les applications scientifiques.

Encadrement et collaborations :
Le projet est co-encadré par les équipes AIRI (CRAL, Lyon) et THOTH/WILLOW (Inria Grenoble/Paris). L'équipe AIRI est spécialisée en imagerie à haute résolution/contraste ; THOTH/WILLOW en machine learning. Des collaborations avec des experts en astrophysique et en traitement du signal (Lab. Hubert Curien) sont aussi possibles. Le doctorant rejoindra un environnement dynamique et riche scientifiquement impliqué dans des projets structurants comme le PEPR Origins.

Date de début :
Dès que possible. Possibilité de commencer par un stage de M2 ou un contrat court d'ingénierie pré-doctorale en amont.

Originalité et impact :
Le projet est hautement interdisciplinaire, au croisement de la science des données et de l'astrophysique. L'intégration de la physique du problème dans les modèles de traitement constitue un enjeu clé. Le projet vise aussi à faire avancer la modélisation statistique de la nuisance corrompant les signaux cibles, notamment dans un contexte de données hétérogènes en grande dimension.
Il répond à des défis essentiels de l'imagerie à haut contraste, avec des applications concrètes sur des données réelles issues d'instruments de pointe comme VLT/SPHERE ou du JWST.

Références :
[1] Currie+, “Direct imaging and spectroscopy of extrasolar planets”, Protostars and Planets VII, 534, 799, 2023
[2] Follette, “An introduction to high contrast differential imaging of exoplanets and disks”, Publications of the Astronomical Society of the Pacific, 135(1051), 2023
[3] Pueyo+, “Direct imaging as a detection technique for exoplanets”, chapter in Handbook of Exoplanets, 2018
[4] Flasseur+, “PACO ASDI: an algorithm for exoplanet detection and characterization in direct imaging with integral field spectrographs”, 637(A9), Astronomy & Astrophysics, 2020
[5] Flasseur+, “deep PACO: Combining statistical models with deep learning for exoplanet detection and characterization in direct imaging at high contrast”, Monthly Notices of the Royal Astronomical Society, 527(A1), 2024
[6] Bodrito+, “MODEL&CO: Exoplanet detection in angular differential imaging by learning across multiple observations”, Monthly Notices of the Royal Astronomical Society, 534(A2), 2024
[7] Bodrito+, “A new statistical model of star speckles for learning to detect and characterize exoplanets in direct imaging observations”, in CVPR, 2025
[8] Thiébaut+, “Beyond FRiM, ASAP: a family of sparse approximation for covariance matrices and preconditioners”, Adaptive Optics Systems VIII, SPIE, 2022
[9] Feng+, “Exoplanet detection via differentiable rendering”, IEEE Transactions on Computational Imaging, 2025
[10] Charnay+, “A self-consistent cloud model for brown dwarfs and young giant exoplanets: comparison with photometric and spectroscopic observations”, The Astrophysical Journal, 854(2), 2018@article{feng2025exoplanet,
[11] Dallant+, “PACOME: Optimal multi-epoch combination of direct imaging observations for joint exoplanet detection and orbit estimation”, Astronomy & Astrophysics, 679((A38), 2023

Contexte de travail

Le poste sera occupé au CRAL/CNRS Saint-Genis Laval au sein de l'équipe AIRI, en étroite collaboration avec les équipes THOTH et WILLOW de l'INRIA (Paris, Grenoble).

En intégrant le CNRS, nous vous proposons :
• Un environnement de travail stimulant aux contacts des personnels de la recherche
• D'excellentes conditions de travail
• Le remboursement partiel des titres de transport (75%) + forfait mobilité durable pouvant aller jusqu'à 300€/an
• Un site accessible en transport en commun + parking privé
• Participation financière au frais de mutuelle

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.

Le poste se situe dans un secteur relevant de la protection du potentiel scientifique et technique (PPST), et nécessite donc, conformément à la réglementation, que votre arrivée soit autorisée par l'autorité compétente du MESR.

Contraintes et risques

N/A