Thèse Analyse de Données Interférométriques pour la Mission Lisa à l'Aide de Techniques d'IA H/F - Doctorat.Gouv.Fr

Établissement : Université Côte d'Azur École doctorale : SFA - Sciences Fondamentales et Appliquées Laboratoire de recherche : ARTEMIS - Laboratoire d'Astrophysique Relativiste, Théories, Expériences, Métrologie, Instrumentation, Signaux Direction de la thèse : Nicoleta DINU-JAEGER ORCID 0000000218018079 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-04-24T23:59:59 Le laboratoire ARTEMIS participe, dans le cadre de la mission LISA (https://www.lisamission.org), aux tests de lumière parasite (SL) du banc optique interférométrique de LISA. À cette fin, un instrument a été développé : le SL-OGSE (Stray Light Optical Ground Support Equipment). Le SL-OGSE permet de détecter les différentes contributions de lumière parasite dans un système optique, en mesurant leurs amplitudes, en fonction de leur trajet optique (OPL: optical path length).
La méthode FMCW utilisée (Frequency Modulated Continuous Wave) consiste à injecter un faisceau laser dans le dispositif sous test, et enregistrer les signaux de ses détecteurs pendant que la fréquence du laser est balayée linéairement. Chaque contribution de lumière parasite modulera le signal à une fréquence dépendant de sa longueur de trajet optique et de la vitesse de balayage. En appliquant une transformée de Fourier aux signaux temporels de chaque détecteur, on obtient un spectre où chaque contribution de lumière parasite correspond à un pic dont la position dépend de son OPL.
Étant donné la complexité des systèmes étudiés (des dizaines d'éléments optiques et plusieurs détecteurs répartis entre différents interféromètres), les données recueillies consistent en une multitude de spectres, chacun contenant de nombreux pics. Cela pose plusieurs défis pour l'analyse des données :

Identifier les pics (amplitude et position) avec une précision suffisante
Séparer les pics de lumière parasite des pics dus à des contributions parasites (bruit secteur, bruit électronique, etc.)
Identifier des motifs communs entre différents détecteurs (trajectoires de lumière parasite se ramifiant vers plusieurs détecteurs)
Analyser en détection équilibrée (somme ou soustraction entre différents signaux d'un même interféromètre, ce qui peut annuler ou amplifier certains pics, révélant ainsi l'origine de la lumière parasite)
Effectuer des opérations sur des segments d'une même photodiode à quadrant fournit des informations sur l'inclinaison et le centrage de lumière parasite
Rechercher la présence d'harmoniques des fréquences des pics, et aux fréquences somme et différence évite d'interpréter comme de vraies contributions des artefacts de la méthode ou des imperfections des photorécepteurs.
Effectuer toutes ces opérations manuellement serait une tâche quasi impossible, et les méthodes traditionnelles d'analyse de données ne permettent pas de résoudre 100 % du problème dans un délai raisonnable.
L'objectif de la thèse consiste à concevoir et mettre en oeuvre une analyse s'appuyant sur des techniques de deep learning, afin d'élaborer une routine fiable et exhaustive. Celle-ci permettra d'exploiter pleinement les données collectées.
Par exemple, nous explorerons des méthodes de détection d'anomalies pour identifier de manière robuste les signaux non modélisés correspondant à la lumière parasite, des modèles pour les bruits secondaires, afin de rendre possible l'extraction d'événements à faible rapport signal-sur-bruit, des approches de classification pour distinguer les signaux d'intérêt des autres contributions.

Le candidat doit disposer d'une solide expérience en analyse de données, et d'un vif intérêt pour les méthodes de machine learning et deep learning.
Un intérêt pour l'optique et les applications spatiales sera également pris en compte.

Le candidat travaillera à l'Observatoire de la Côte d'Azur , au sein de l'unité mixte de recherche ARTEMIS (UMR7250, Nice, France). Le groupe ARTEMIS est impliqué dans le domaine des ondes gravitationnelles depuis 1987, travaillant à la fois au niveau instrumental et au niveau de l'analyse des données, pour Virgo, LISA et désormais pour l'Einstein Telescope. L'expertise du laboratoire couvre des domaines allant de la métrologie à la physique théorique, avec une forte contribution dans les domaines de la lumière parasite dans les systèmes complexes et de l'analyse des signaux interférométriques. Le laboratoire ARTEMIS participe, dans le cadre de la mission LISA (https://www.lisamission.org), aux tests de lumière parasite (SL) du banc optique interférométrique de LISA (Laser Interferometer Space Antenna), dont l'objectif est la détection des ondes gravitationnelles depuis l'espace. À cette fin, un instrument a été développé : le SL-OGSE (Stray Light Optical Ground Support Equipment). Le SL-OGSE permet de détecter les différentes contributions de lumière parasite dans un système optique, en mesurant leur amplitudes, en fonction de leur trajet optique (OPL: optical path length). L'analyse des données de cet instrument implique un traitement complexe sur un gros volume des données, nécessitant de recourir aux techniques de deep learning ou machine learning L'objectif de la these consiste à concevoir et mettre en oeuvre une méthode d'analyse innovante, s'appuyant sur des techniques de deep learning, afin d'élaborer une routine d'analyse fiable et exhaustive pour le dépouillement des données de lumière parasite pour la mission LISA (detection des ondes gravitationnelles). Les méthodes qui seront utilisés sont des méthodes de détection d'anomalies, pour identifier de manière robuste les signaux non modélisés correspondant à la lumière parasite, des modèles pour les bruits secondaires, afin de rendre possible l'extraction d'événements à faible rapport signal-sur-bruit, des approches de classification pour distinguer les signaux d'intérêt des autres contributions.

Le·a candidat·e doit disposer d'une solide formation académique en analyse de données, ainsi qu'un vif intérêt pour les méthodes de machine learning et deep learning.
Un intérêt pour l'optique et les applications spatiales sera également pris en compte.
Une très bonne connaissance de la langue française ou anglaise est nécessaire.