Méthodes d'échantillonnage pour l'inférence statistique de problèmes inverses non linéaires : distribution spatiale des propriétés physico-chimiques du milieu interstellaire

Sampling methods for statistical inference of non-linear inverse problems : spatial distribution of physico-chemical properties of the interstellar medium

• Auteur / Autrice : Pierre Palud
• Direction : Pierre Chainais, Franck Le Petit
• Type : Projet de thèse
• Discipline(s) : Traitement du signal et des images
• Date : Inscription en doctorat le 16/11/2020
• Etablissement(s) : Centrale Lille Institut
• Ecole(s) doctorale(s) : MADIS Mathématiques, sciences du numérique et de leurs interactions
• Partenaire(s) de recherche : Laboratoire : CRIStAL - Centre de Recherche en Informatique, Signal et Automatique de Lille

Mots clés

Mots clés libres

Problèmes inverses

Algorithmes MCMC

Milieu interstellaire

Nuages moléculaires

Régions de photodissociation

Apprentissage statistique

Inverse problems

MCMC algorithms

Interstellar medium

Molecular clouds

Photodissociation regions

Machine learning

Résumé

Les nouveaux détecteurs millimétriques en astrophysique fournissent des masses de données qu'il n'est plus possible d'analyser avec les méthodes classiques. De plus, les modèles numériques utilisés pour interpréter ces observations produisent eux-mêmes de grands volumes de données, hétérogènes et en grande dimension. L'interprétation des observations de régions de formation stellaire avec les modèles de référence ne peut se faire qu'en inventant de nouvelles méthodes de traitement statistique du signal et de machine learning. Ce projet vise à résoudre des problèmes inverses sur des milliers de pixels et parfois peu contraints. Il s'appuie sur un Large Program du TGIR IRAM, Orion-B. Les méthodes seront publiques via l'un des services nationaux d'observations de l'INSU.

The new millimetric detectors in astrophysics provide amounts of data one can't analize with classic methods. Moreover, the numerical models used to interpret these observations themselves provide big amounts of data, heterogeneous and high dimensional. The interpretation of observations of stellar formation regions with reference models can only be done by inventing new methods of statistical processing and machine learning. This project aims at solving inverse problems on thousands of pixels and sometimes with few contraints. It stands on a Large Program of TGIR IRAM, Orion-B. The methods will be public through one of the national observation services of the INSU.