Le projet d'observatoire spatial LISA (Laser Interferometer Space Antenna) est conçu pour détecter les ondes gravitationnelles à basse fréquence, principalement issues des collisions de trous noirs supermassifs. Comme ces binaires massives peuvent être observées des jours, voire des semaines avant leur fusion finale, LISA offre une opportunité inédite pour l'astronomie multi-messager : émettre des alertes précoces afin que les télescopes électromagnétiques traditionnels puissent cibler la bonne région du ciel et capturer cet événement explosif simultanément.

Cependant, la génération de ces alertes en temps réel pose un défi statistique majeur. En début d'observation, le signal encore faible produit des données très ambiguës et « multimodales » : les symétries physiques du détecteur font qu'un même signal peut sembler provenir de huit positions distinctes dans le ciel. Les méthodes d'échantillonnage statistiques classiques (telles que les chaînes de Markov Monte-Carlo) sont beaucoup trop lentes pour réactualiser ces prédictions dans le délai imparti de quelques minutes. À l'inverse, les réseaux de neurones conventionnels peinent à s'adapter à la nature imprévisible et évolutive d'un flux de données spatiales en direct, sujet aux interruptions.

Ce projet de thèse se situe à l'intersection de l'analyse de données astrophysiques, des statistiques bayésiennes et du machine learning scientifique pour relever ce défi. La personne recrutée développera une méthode d'inférence variationnelle (VI) séquentielle et rapide, transformant un processus d'échantillonnage lent en un problème d'optimisation accéléré sur GPU. En intégrant la physique du détecteur LISA directement dans l'algorithme, la méthode « repliera » l'espace des probabilités pour l'ajuster aux données entrantes, puis le « dépliera » pour fournir aux astronomes une carte multimodale en temps réel des zones à observer. Sur une durée de trois ans, la thèse fera évoluer cette approche d'apprentissage automatique guidée par la physique, depuis des modèles idéalisés jusqu'à un pipeline open-source robuste capable de traiter des données de mission réelles et bruitées, contribuant ainsi directement au système d'alerte précoce de LISA.