Chercheur dans le Domaine de l'Imagerie à Haut Contraste et Detection d'Exoplanètes H/F CNRS

Détail du poste

Titre du projet : Détection d'exoplanètes à l'aide d'algorithmes prenant en compte leur mouvement képlérien dans les images à haut contraste prises à plusieurs époques avec l'instrument HARMONI et futurs projets.

Les campagnes d'imagerie à haut contraste réalisées ces dernières années (SHINE, GPIES) ont révélé que les mécanismes de formation ne sont pas très efficaces pour produire des planètes géantes à de grandes séparations (supérieure à 10 UA). Les futurs instruments d'imagerie à haut contraste, y compris SPHERE+ sur le VLT et HARMONI sur l'ELT, visent à sonder la population de planètes géantes à des séparations inférieures à 10 UA. Malgré les améliorations anticipées des niveaux de contraste, la détection de ces planètes (contraste de plus de 10^6 à 50-100 mas) reste un défi.
Pour améliorer les capacités de détection de ces instruments de nouvelle génération, nous avons développé K-Stacker (Le Coroller, et al., 2015 ; Nowak et al., 2018 ; Le Coroller, et al., 2022), un algorithme (https://github.com/kstacker/) qui permet de rechercher des planètes cachées (par exemple, S/N inférieur à 2) dans des séries d'images en utilisant une exploration par force brute des paramètres orbitaux possibles. L'objectif de ce projet est d'évaluer les performances de K-Stacker pour la détection de jeunes planètes similaires à Jupiter dans les images simulées du futur instrument HARMONI de l'ELT.
Une fois K-Stacker optimisé, vous pourrez relancer l'algorithme sur des données d'archives (ex : Survey SPHERE SHINE) pour rechercher de nouvelles planètes dans les observations multi-époques (ex : HD 95086 c). A plus long terme, le code K-Stacker pourra être employé pour la recherche de planètes similaires à celles de notre système solaire en utilisant les futurs instruments de l'ELT tels que PCS, ainsi qu'avec les observatoires spatiaux comme le « Roman Space Telescope » et le « Habitable Worlds Observatory ».
Activités
Le projet inclura l'automatisation de tests avec des injections massives de fausses planètes dans des images simulées de HARMONI, visant non seulement à déterminer les statistiques de détection (taux de vrais/faux positifs et négatifs) mais aussi à évaluer la précision des paramètres orbitaux récupérés. Pour les planètes détectables à chaque époque, nous comparerons les paramètres orbitaux trouvés par K-Stacker avec ceux dérivés des méthodes MCMC traditionnelles basées sur les positions des planètes. Nous explorons plusieurs améliorations potentielles de K-Stacker, telles que l'intégration de calculs MCMC pour une détermination robuste des paramètres orbitaux.
La personne recrutée utilisera également K-Stacker pour évaluer la meilleure stratégie d'observation, c'est-à-dire pour trouver la répartition optimale des observations (par exemple, le nombre d'époques d'observation, l'espacement entre chaque pose) afin de maximiser la probabilité de détection de nouvelles planètes en un temps d'exposition total minimal avec HARMONI. Ce travail ouvre la voie au développement de nouveaux algorithmes nécessaires pour détecter des planètes similaires à celles de notre système solaire avec le « Roman Space Telescope », et des exoplanètes semblables à la Terre avec le « Habitable Worlds Observatory » de la NASA.
Compétences
La personne recrutée doit être titulaire d'un doctorat en astrophysique ou d'une qualification équivalente (par exemple, en traitement du signal et en « machine learning »). Des compétences en traitement du signal, en statistiques (par exemple, calculs MCMC) et en apprentissage automatique seront appréciées. Des connaissances en optique de Fourier seront utiles. La maîtrise d'un langage de programmation (par exemple, Python, C++) est requise.
Contexte de travail

La personne recrutée rejoindra l'équipe GSP au LAM, qui est impliquée dans des projets internationaux d'imagerie à haut contraste. Elle sera supervisée par H. Le Coroller, responsable des algorithmes de recombinaison multi-époques (CO-I) pour le projet HWO de la NASA. De plus, elle bénéficiera du soutien du pôle de Machine Learning au "Centre de données Astrophysiques de Marseille" (CeSAM). Le Laboratoire d'Astrophysique de Marseille (LAM) fournira l'accès à un cluster de calcul géré par le CeSAM, ainsi qu'un support technique pour les tâches de calcul intensif.