Inférence variationnelle rapide pour la caractérisation précoce des binaires de trous noirs massifs avec LISA // Fast variational inference for the early characterisation of massive black-hole binaries with LISA

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.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

The Laser Interferometer Space Antenna (LISA) is an upcoming space-based observatory designed to detect low-frequency gravitational waves, primarily from the collisions of supermassive black holes. Because these massive binaries can be observed days or weeks before they finally merge, LISA presents a groundbreaking opportunity for multi-messenger astronomy: issuing "early warning" alerts so that traditional electromagnetic-based telescopes can point at the right patch of sky to capture the explosive event simultaneously.

However, generating these real-time alerts poses a severe statistical challenge. Early in the observation, the faint signal yields highly ambiguous, "multimodal" data, meaning the physical symmetries of the detector make it look like the event could originate from up to eight completely different locations in the sky. Standard statistical sampling methods (like Markov Chain Monte Carlo) are far too slow to update these precise predictions within the required few-minute latency budget. Conversely, conventional neural networks struggle to adapt to the unpredictable, ever-changing nature of a live, interrupted space data stream.

This PhD project sits at the intersection of astrophysical data analysis, Bayesian statistics, and scientific machine learning to solve this challenge. The successful candidate will develop a fast, sequential Variational Inference (VI) framework that translates a slow sampling method into a rapid, GPU-accelerated optimization problem. By embedding the known physics of the LISA detector into the algorithm, the method will "fold" the complex probability space to fit the incoming data, and then "unfold" it to provide astronomers with a real-time, multi-modal map of where to look. Over three years, the student will scale this physics-informed machine learning approach from idealized models to a robust, open-source pipeline capable of handling realistic, noisy mission data, directly enabling LISA's early-warning capabilities.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut de recherche sur les lois fondamentales de l’univers
Service : Département d’Electronique, des Détecteurs et d’Informatique pour la physique
Laboratoire : Laboratoire ingénierie logicielle et applications spécifiques
Date de début souhaitée : 01-11-2027
Ecole doctorale : Sciences et Technologies de l’Information et de la Communication (STIC)
Directeur de thèse : BOBIN Jerome
Organisme : CEA
Laboratoire : DRF/IRFU/DEDIP/DIR
URL : https://tobias-liaudat.github.io

Public/private mixed funding

Pôle fr : Direction de la Recherche Fondamentale
Département : Institut de recherche sur les lois fondamentales de l’univers
Service : Département d’Electronique, des Détecteurs et d’Informatique pour la physique

Diplôme d'ingénieur grande école ou Master 2 traitement du signal, statistiques, machine learning, ou astrophysique