Dans le cadre de la préparation des données du télescope LSST de l’observatoire Vera C. Rubin qui fear sa première lumière en 2025, l’un des défis majeurs est le deblending des galaxies, c’est-à-dire la séparation des contributions lumineuses de galaxies superposées dans les images astronomiques.
Des travaux antérieurs (Arcelin et al., 2020 et Biswajit et al., 2024) ont exploré l’utilisation de méthodes d’intelligence artificielle, notamment des modèles génératifs comme les autoencodeurs variationnels (VAE), pour reconstruire des galaxies vues superposées comme des objets isolés les galaxies superposées.
L’objectif de ce stage est d’étendre ces travaux en développant une méthodologie basée sur une approche bayésienne. Cela permettra :
De fournir une estimation probabiliste des galaxies détectées, en quantifiant les incertitudes associées à chaque détection.
D’éviter de se limiter à un seul échantillon reconstruit, mais plutôt de générer une distribution postérieure représentative des possibles configurations galactiques.
Ce projet aborde différents aspects de la recherche multidisciplinaire (IA, statistiques, cosmologie) et s’inscrit dans un projet plus large, AstroDeep, visant à créer une chaîne d'analyse complète allant des images des relevés astronomiques jusqu’aux cartes de cisaillement gravitationnel.

Date de début: 
Lundi, 13 janvier, 2025
Date de fin: 
Vendredi, 13 juillet, 2025
Lieu du stage: 
APC
Avez vous prévu un bureau pour le stagiaire: 
oui salle 305B

Financements: 
AstroDeep

Intitulé du projet: 
LSST - AstroDeep

NOM Prénom: 
Nguyen Thi Yen Binh
Etudiant Espace Schengen: 
Oui

Mail: 
yenbinhpy308gmail.com

Formation et niveau: 
M1

Université ou école de formation: 
Université Paris Saclay