Thèse Recherche de Phénomènes Extragalactiques Transitoires sans Hôte à l'Aide de l'Apprentissage Automatique H/F - Doctorat.Gouv.Fr

Établissement : Université Clermont Auvergne École doctorale : Sciences Fondamentales Laboratoire de recherche : Laboratoire de Physique de Clermont Auvergne Direction de la thèse : Emille Eugenia DE OLIVEIRA ISHIDA ORCID 000000020406076X Début de la thèse : 2026-10-01 Date limite de candidature : 2026-05-25T23:59:59 Fink est un environnement logiciel capable de traiter le grand nombre de candidats produits par le LSST et conçu pour identifier les objets intéressants. Cependant, la définition de ce qui est intéressant varie selon les intérêts scientifiques de chaque chercheur. L'infrastructure de Fink permet à chaque utilisateur de créer son propre filtre et d'identifier, parmi les données issues du télescope, les candidats correspondant à ses intérêts scientifiques. Ces filtres reposent 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 transitoires extragalactiques, ainsi que dans le développement d'algorithmes d'intelligence artificielle adaptables aux besoins des différents experts. Le flux d'alertes publiques du LSST étant désormais opérationnel (février 2026), nous pouvons mettre en pratique toute cette expertise pour rechercher de nouveaux transitoires et élucider les détails des 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 sans hôte observés par le LSST. Nous commencerons par nous concentrer sur les événements sans galaxie hôte déjà identifiés (ceux dont la galaxie hôte n'est pas visible ou ne peut être identifiée), repérés par notre équipe ces dernières années grâce à ZTF. Le/la candidat(e) sera ensuite encouragé(e) à explorer ses propres intérêts de recherche parmi les nombreuses possibilités offertes par les données et les outils déjà en place.

Les efforts se concentreront sur trois axes principaux :

1) Déploiement de techniques d'apprentissage automatique pour traiter les contaminants et autres problèmes de données spécifiques aux données LSST ;

2) Analyse astrophysique des candidats sans galaxie hôte, leur interprétation et leur relation avec l'état de l'art actuel, ainsi que leurs conséquences sur les études de population ;

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

L'étude sera réalisée à partir de données réelles 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 formation en techniques d'apprentissage automatique traditionnelles est également requise. Concernant le contenu astronomique, une compréhension de base des systèmes photométriques, des sources transitoires et des processus d'observation est souhaitable.

Le/la candidat(e) idéal(e) devra faire preuve de proactivité, de curiosité et d'un intérêt scientifique diversifié.

Ce travail sera mené en collaboration avec la communauté Fink Broker. Des interactions avec la collaboration SNAD et l'Initiative de cosmostatistique sont également à prévoir. Le projet requiert une collaboration au sein d'un environnement de recherche interdisciplinaire et multiculturel, avec une équipe non concentrée géographiquement. Toutes les activités de recherche seront menées en anglais. Il s'agit de la première thèse de doctorat réalisée au LPCA à partir des données du LSST. Le télescope a commencé à diffuser des alertes publiques en février 2026, et le courtier Fink a déjà reçu et traité avec succès les données du LSST en temps réel. L'étudiant·e sera le/la premier·ère à bénéficier pleinement de l'infrastructure et de l'expertise déjà développées au sein du laboratoire pour la recherche scientifique.

This is the first PhD thesis developed at LPCA using LSST data. The telescope started releasing public alerts on Feb 2026, and the Fink broker already successfully received and processed LSST data in real time. The student will be the first to fully benefit from the infrastructure and expertise already developed at the laboratory for scientific discovery.

Le candidat retenu devra maîtriser les outils numériques et statistiques, ainsi que la programmation Python. Une expérience des techniques d'apprentissage automatique classiques est également requise. Concernant le contenu astronomique, une compréhension de base des systèmes photométriques, des sources transitoires et des processus d'observation est souhaitable. Une expérience de l'analyse des données astronomiques des télescopes ZTF et LSST, ainsi qu'une familiarité avec le courtier Fink, sont appréciées.

Le candidat idéal doit faire preuve de proactivité, de curiosité et d'un large intérêt scientifique.

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 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.