Roman - etude du retrait des systématiques par le machine learning

Le James Webb Space Telescope (JWST) offre des capacités
d'imagerie à haut contraste inédites, essentielles pour l'étude des
exoplanètes. Comme pour tous les instruments optiques, les données issues de
JWST sont affectées par des biais et des erreurs systématiques. Ces biais sont
généralement traités par des techniques classiques de post-traitement qui
consistent à calibrer le bruit systématique via des observations d’étoiles sans
planètes. Les variations temporelles de ces biais entre les observations, et la
disponibilité/qualité des observations des étoiles de calibration limitent
cependant la capacité à détecter les exoplanètes les plus ténues.

Dans la perspective des futures missions telles que le Nancy Grace
Roman Space Telescope (NGRST), il est crucial d'étudier ces limites et d'explorer
de nouvelles approches pour les surmonter. Le Machine Learning, en traitant toutes
les données de calibration récoltées pendant les observations de JWST, pourrait
offrir de nouvelles manières d’aborder la correction des systématiques
notamment en intégrant les mesures télémétriques des instruments

L'objectif de ce stage est donc d’utiliser des méthodes de Machine
Learning apprises sur les données existantes de JWST afin de mettre en place de
nouveaux traitements potentiellement utilisables dans la mission future NGRST.

Le stage
se fera dans l’équipe IA transverse du CNES, en collaboration avec les experts
L. Pueyo au STSCI (Space Telescope Science Institute), E. Choquet au LAM
(Laboratoire d'Astrophysique de Marseille), et D. Mary (Laboratoire Lagrange),
ainsi que l'expertise coronographie du service d’optique du CNES.

Le/la stagiaire aura accès aux outils et plateforme de développement en Machine
Learning du CNES (Jupyterhub, Pytorch, Tensorflow, GPU …)
Le stage pourrait débuter à partir de Février 2025

Connaissances en Machine Learning / Linux / Python recommandées. Intérêt pour l'astrophysique et la recherche.