Laurence Perreault-Levasseur
- Professeure adjointe
-
Faculté des arts et des sciences - Département de physique
Roger-Gaudry, local B-422
Portrait
Biographie
Laurence Perreault-Levasseur est professeure adjointe à l'Université de Montréal et membre associée de Mila, où elle mène des recherches sur le développement et l'application de méthodes d'apprentissage automatique à la cosmologie. Elle est également chercheuse invitée à l'Institut Flatiron à New York et au Perimeter Institute à Waterloo. Avant cela, elle a été boursière Flatiron pour ses études postdoctorales au Center for Computational Astrophysics de l'Institut Flatiron et boursière postdoctorale KIPAC à l'Université Stanford. Laurence a obtenu son doctorat à l'Université de Cambridge en 2015, où elle a mené des travaux portant sur des applications de la théorie effective des champs ouverte au formalisme de l'inflation. Elle a obtenu son baccalauréat et sa maîtrise à l'Université McGill.
Prix et distinctions
Chaire de Recherche du Canada en Cosmologie Numérique et Intelligence Artificielle
Pour en savoir plus…
Affiliations et responsabilités
Affiliations de recherche
Enseignement et encadrement
Enseignement
Cours siglés (session en cours uniquement)
Programmes
- 117510 – Baccalauréat en informatique
- 117520 – Majeure en informatique
- 117540 – Mineure en informatique
- 119010 – Baccalauréat en mathématiques
- 119020 – Majeure en mathématiques
- 119040 – Mineure en mathématiques
- 119210 – Baccalauréat en mathématiques et physique
- 119210 – Baccalauréat en mathématiques et physique
- 120010 – Baccalauréat en physique
- 120020 – Majeure en physique
- 120040 – Mineure en physique
- 120510 – Baccalauréat en physique et informatique
- 120510 – Baccalauréat en physique et informatique
- 182810 – Baccalauréat en enseignement des sciences et des technologies au secondaire
- 183412 – Baccalauréat en enseignement des mathématiques au secondaire
- 196710 – Programme d'accueil en sciences
- 281113 – Maîtrise en éducation, option Enseignement au secondaire
Encadrement
Thèses et mémoires dirigés (dépôt institutionnel Papyrus)
Reconstruction libre de lentilles gravitationnelles de type galaxie-galaxie avec les machines à inférence récurentielle
Cycle : Maîtrise
Diplôme obtenu : M. Sc.
Estimateur neuronal de ratio pour l'inférence de la constante de Hubble à partir de lentilles gravitationnelles fortes
Cycle : Maîtrise
Diplôme obtenu : M. Sc.
Caractérisation des amas de galaxies avec des méthodes d'apprentissage automatique
Cycle : Maîtrise
Diplôme obtenu : M. Sc.
Fast high-dimensional posterior inference with deep generative models : application to CMB delensing
Cycle : Maîtrise
Diplôme obtenu : M. Sc.
Projets
Projets de recherche
Entering a new, data-driven era for precision cosmology with machine learningbased analysis methods. / Une nouvelle ère des données pour la cosmologie de précision avec l'intelligence artificielle.
Un cadre Bayesien général pour les problèmes inverses non-linaires en haute dimension: application à la cartographie de la matière noire dans l'Univers avec l'effet de lentille gravitationnelle
Canada Research Chair in Computational Cosmology and Artificial Intelligence
Centre de recherche en astrophysique du Québec - CRAQ
Peser les étoiles avec l'intelligence artificielle: une modélisation des populations stellaires pour une nouvelle génération de relevés du ciel
A New, Data-Driven Era for Precision Cosmology: Measuring the Expansion Rate of the Universe with Machine Learning.
A New, Data-Driven Era for Precision Cosmology: Measuring the Expansion Rate of the Universe with Machine Learning.
Entering a new, data-driven era for precision cosmology with machine learningbased analysis methods. / Une nouvelle ère des données pour la cosmologie de précision avec l'intelligence artificielle.
Learning the Universe
Reconstructing the Initial Conditions of the Universe Using Deep Learning
Découvrir les mystères de la lentille gravitationnelle forte du Horseshoe grâce à l'intelligence artificielle et aux réseaux de neurones profonds
Modélisation de lentilles gravitationnelles à l'aide d'une machine à inférences récurrentes (RIM))
Next-Generation Astrophysical Simulations Using Machine Learning: Simulating Turbulence via Machine Learning (subvention FNFR-CRSH volet exploration)
Next-Generation Astrophysical Simulations Using Machine Learning: Simulating Turbulence via Machine Learning (subvention FNFR-CRSH volet exploration)
Mesurer l’expansion de l’Univers avec l’apprentissage automatique
Rayonnement
Publications et communications
Disciplines
- Astronomie et astrophysique
- Physique
- Statistiques
- Informatique
Champ d’expertise
- Astrophysique, aspects fondamentaux
- Astronomie fondamentale
- Apprentissage machine et apprentissage profond
- Matière sombre
- Techniques d'observation et de réduction de données
Aide en ligne pour votre profil | Nous joindre
Le Répertoire des professeurs est propulsé par les données du SADVR et est un projet du CENR.