Qui sommes-nous ?
Espace utilisateur
Formation continue
Credit : L. Godart/CEA
D’un jour à plusieurs semaines, nos formations permettent une montée en compétence dans votre emploi ou accompagnent vers le retour à l’emploi. 
Conseil et accompagnement
Crédit : vgajic
Fort de plus de 60 ans d’expériences, l’INSTN accompagne les entreprises et organismes à différents stades de leurs projets de développement du capital humain.
Thèses
Accueil   /   Thèses   /   Réseaux de neurones et apprentissage profond pour la détection et la reconstruction des rayons cosmiques dans le domaine radio

Réseaux de neurones et apprentissage profond pour la détection et la reconstruction des rayons cosmiques dans le domaine radio

Data intelligence dont Intelligence Artificielle Défis technologiques

Résumé du sujet

Quelles sont les sources des rayons cosmiques d’ultra-haute énergie, ces particules qui pleuvent du cosmos avec des énergies colossales, et dont l'origine reste mystérieuse ? Le projet GRAND (Giant Radio Array for Neutrino Detection) vise à répondre à cette question, à l'aide d'un réseau de 200 000 antennes radio qui seront à terme déployées à l’horizon 2030 à travers le monde. Un premier prototype de ce projet, GRANDProto300, réseau composé de 300 antennes est en train d’être déployé en Chine.

,

L’objectif de cette thèse est de développer des algorithmes d’apprentissage automatique pour, d’une part, séparer les signaux d’origine astrophysique du bruit de fond radio (stationnaire et transitoire), mais également pour reconstruire les propriétés (type, énergie, direction d’arrivée) des particules qui nous arrivent du cosmos. Il s’agira de développer de nouvelles méthodes pour des signaux de type séries temporelles en temps réel et en flux continu, dans un environnement sous contraintes (temps d’inférence, consommation du hardware, communications limitées). Cette thèse sera donc l’occasion de développer de nouveaux algorithmes de réduction de modèles et d’optimisation de réseaux de neurones profonds pour des applications de données en flux, moins étudiées dans la littérature que les aspects vision.

Pour mener à bien ces travaux, le doctorant ou la doctorante pourra s’appuyer sur l’expertise en simulation du l’équipe GRAND du Laboratoire de Physique Nucléaire et des Hautes Énergies (CNRS IN2P3) pour générer des jeux de données synthétiques, ainsi que sur les données de GRANDProto300. L’étudiant(e) sera également associé(e) à la collaboration GRAND.

Laboratoire

Département Métrologie Instrumentation et Information (LIST)
Service Intelligence des Données
Laboratoire Intelligence Artificielle et Apprentissage Automatique
Top pencilenvelopegraduation-hatlicensebookuserusersmap-markercalendar-fullbubblecrossmenuarrow-down