Estimation impartiale du cisaillement pour Euclid avec modélisation automatiquement différentiable et accélérée par GPU // Unbiased Shear Estimation for Euclid with Automatically Differentiable and GPU Accelerated Modeling

Le projet de thèse porte sur la mesure sans biais du cisaillement gravitationnel faible, un effet dû à la déviation de la lumière des galaxies par la matière présente sur la ligne de visée. Cette technique est essentielle pour étudier la matière noire, l’énergie noire et la gravité, et constitue un pilier de la mission spatiale Euclid, lancée en 2023. Les méthodes classiques de mesure des formes de galaxies introduisent des biais systématiques dans l’estimation du cisaillement. L’objectif de cette thèse est de développer une approche innovante de modélisation directe permettant d’inférer le cisaillement sans passer par la mesure de forme, en simulant des images de galaxies réalistes à l’aide d’architectures d’apprentissage profond. Le doctorant participera à l’adaptation de cette méthode aux données réelles d’Euclid, en intégrant la complexité du système de traitement des données (SGS) et en optimisant le calcul sur GPU et supercalculateurs. Ce travail s’inscrit dans un contexte très dynamique, coïncidant avec la première diffusion publique des données d’Euclid prévue pour 2026. Les résultats attendus sont une estimation du cisaillement plus précise et robuste, ouvrant la voie à des analyses cosmologiques de nouvelle génération.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

This PhD project focuses on achieving unbiased measurements of weak gravitational lensing — the tiny distortions in galaxy shapes caused by the matter along the line of sight. This technique is key to studying dark matter, dark energy, and gravity, and lies at the heart of the Euclid space mission launched in 2023. Traditional shape-measurement methods introduce systematic biases in shear estimation. The goal of this PhD is to develop and extend an innovative forward-modelling approach that directly infers the shear by simulating realistic galaxy images using deep-learning architectures. The student will adapt this framework to real Euclid data, accounting for the complexity of the Science Ground Segment (SGS) and implementing GPU-accelerated and high-performance computing solutions to scale to the full sky coverage. The project is timely, coinciding with Euclid’s first public data release in 2026. The expected outcome is a more accurate and robust shear estimation method, enabling the next generation of precision cosmology analyses.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut de recherche sur les lois fondamentales de l’univers
Service : Direction d’Astrophysique
Laboratoire : Laboratoire CosmoStat
Date de début souhaitée : 01-09-2026
Ecole doctorale : Astronomie et Astrophysique d’Île de France (ED A&A)
Directeur de thèse : Farrens Samuel
Organisme : CEA
Laboratoire : DRF/IRFU
URL : https://www.cosmostat.org/people/sfarrens
URL : https://irfu.cea.fr/dap/
URL : https://www.cosmostat.org/jobs/unbiased-shear-estimation-for-euclid-with-automatically-differentiable-and-gpu-accelerated-modeling

Public/private mixed funding

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut de recherche sur les lois fondamentales de l’univers
Service : Direction d’Astrophysique