Les données produites par les relevés astronomiques connaissent une augmentation constante de leur volume et de leur complexité. Le Zwicky Transient Facility (ZTF), actuellement en cours, a favorisé le développement de nombreuses techniques automatiques d'exploration et d'apprentissage de données. Ces avancées représentent des jalons importants pour répondre à nos besoins des prochaines années, mais il reste encore beaucoup à faire. À titre d'exemple, le Vera Rubin Observatory Legacy Survey of Space and Time (LSST), dont la mise en service est prévue en juin 2025, produira un ensemble de données plus vaste et plus complexe que tous ses prédécesseurs. Chaque nuit, le LSST devrait détecter 10 millions de candidats transitoires. Dans ce nouvel environnement de big data, les anciennes méthodes d'analyse des données ne peuvent plus être utilisées. Il est nécessaire d'utiliser les techniques modernes d'apprentissage automatique, qui peuvent aider les chercheurs à distinguer les candidats scientifiquement intéressants.



Le broker Fink est un environnement logiciel capable d'analyser le grand nombre de candidats produits par le LSST et conçu pour identifier les objets intéressants. L'infrastructure de Fink permet à chaque utilisateur de créer son propre filtre et d'identifier, parmi le flux de données provenant du télescope, les candidats qui répondent à ses intérêts scientifiques personnels. Ces filtres s'appuient souvent sur des techniques d'apprentissage automatique de pointe.



Au LPCA, l'équipe Fink possède une vaste expérience dans l'observation et l'analyse des supernovae, ainsi que dans le développement d'algorithmes d'intelligence artificielle adaptables aux besoins de différents experts du domaine. Les données du LSST étant presque disponibles, nous sommes désormais prêts à mettre toute cette expertise en pratique pour rechercher de nouveaux transitoires et décrypter les classes intermédiaires de supernovae, celles qui ne correspondent pas à notre système de classification actuel.



L'objectif de cette thèse est de trouver et d'analyser le premier ensemble de transitoires extragalactiques anormaux observés par LSST. Nous commencerons par nous concentrer sur les classes de supernovae intermédiaires, ces supernovae extragalactiques transitoires qui ne correspondent pas à notre système de classification actuel. À partir de là, le candidat sera encouragé à poursuivre ses propres intérêts de recherche parmi la variété de possibilités offertes par les données et les outils déjà en place.



Les efforts se concentreront sur trois fronts principaux :



1) Déploiement de techniques d'apprentissage adaptatif pour gérer les données manquantes et les erreurs de mesure, caractéristiques intrinsèques des données astronomiques ;

2) Analyse astrophysique des candidats anormaux, leur interprétation et leur lien avec l'état actuel de l'art ;

3) Intégration durable des connaissances du domaine dans l'infrastructure Fink, garantissant l'utilité du service pour la communauté pendant toute la durée de l'étude.



L'étude sera réalisée à l'aide de simulations (pour les vérifications de cohérence), de données réelles issues de ZTF, puis de LSST.



Le/La candidat(e) retenu(e) devra maîtriser les outils numériques et statistiques, ainsi que la programmation en Python. Une expérience des techniques traditionnelles d'apprentissage automatique est également requise. Pour le contenu astronomique, une compréhension de base des systèmes photométriques, des sources transitoires et des processus observationnels est souhaitable.



Le travail sera réalisé en collaboration avec la communauté Fink. Des interactions avec la collaboration SNAD et la Cosmostatistics Initiative sont également attendues. Le projet nécessite une collaboration dans un environnement de recherche interdisciplinaire et multiculturel, avec une équipe non concentrée géographiquement. Toutes les activités de recherche seront menées en anglais.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The data produced by astronomical surveys have been going through a steady increase in volume and complexity. The on-going Zwicky Transient Facility (ZTF) has fostered the development of many automatic data mining and learning techniques. These represent important milestones towards our needs for the next few years, but a lot still needs to be done. As an example, the Vera Rubin Observatory Legacy Survey of Space and Time (LSST), expected to begin operations in Jun/2025, will produce a larger and more complex data set than any of its predecessors. At each night, the LSST is expected to detect 10 million transient candidates which need to be classified before they can be used to produce scientific results. In this new big data environment, old methods for analyzing the data cannot be used. It is necessary to employ the modern automatic machine learning techniques which can help the researcher to separate scientifically interesting candidates.



The Fink broker is a software environment able to digest the large number of candidates produced by LSST and designed to identify interesting objects. However, the definition of what is interesting changes depending on the scientific interest of each researcher. Fink's infrastructure enables each user to build their own filter and identify, within the stream of data emerging from the telescope, what are the candidates which fulfill their personal scientific interests. Many times such filters are based on state of the art machine learning techniques.



At LPCA, the Fink team has extensive experience in the observation and analysis of supernovae, and in the development of artificial intelligence algorithms which can adapt to the needs of different domain experts. Since LSST data is almost here, we are now at the point where all this expertise can be put in practice to search for new transients and unravel details of intermediate classes of supernovae, those which do not comply with our current classification system.



The goal of this PhD is to find and analyse the first set of anomalous extragalactic transients to be observed by LSST. We will start by focusing on intermediate supernova classes, those extragalactic transients that do not comply with our current classification system. From this, the candidate will be encouraged to pursue their own research interests among the variety of possibilities enabled by the data and the tools already in place.



Efforts will be spent in 3 main fronts:



1) Deployment of adaptive learning techniques to deal with missing data and measurement errors, which are intrinsic characteristics of astronomical data;

2) Astrophysical analysis of the anomalous candidates, their interpretation and relation to the current state of the art;

3) Sustainable incorporation of domain knowledge into the Fink infrastructure, ensuring the service will be useful to the community for the entire duration of the survey.



The study will be performed using simulations (for sanity checks), real data from ZTF and later on LSST.



The successful candidate should be proficient with numerical and statistical tools, as well as able to program in Python. A background in traditional machine learning techniques is also a requirement. For the astronomy content, a basic understanding of photometric systems, transient sources and observational processes is desirable. Familiarity with the Fink infrastructure and science modules is highly appreciated.



The work will be done in collaboration with the Fink broker community. Interactions with the SNAD collaboration and the Cosmostatistics Initiative are also to be expected. The project requires collaboration within an interdisciplinary and multicultural research environment with a team which is not geographically concentrated. All research activities will be developed in English.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025
WEB : https://lpca.in2p3.fr/Fink.html

Funding category: Contrat doctoral

Concours pour un contrat doctoral