Passer au contenu

/ La recherche

Je donne

Rechercher

Sciences naturelles et génie

Yashar Hezaveh

Professeur adjoint

Faculté des arts et des sciences - Département de physique

Complexe des sciences, local B-3301

yashar.hezaveh@umontreal.ca

Autre numéro : 514 343-6111 #48348 (Travail 1)
Autre courriel : hezaveh@astro.umontreal.ca (Travail)

Médias

Mapping Dark Matter with Bayesian Neural Networks w/ Yashar Hezaveh - TWiML Talk #250

You might have seen the news yesterday that MIT researcher Katie Bouman produced the first image of a black hole. What’s been less reported is that the algorithm she developed to accomplish this is based on machine learning. Machine learning is having a huge impact in the fields of astronomy and astrophysics, and I’m excited to bring you interviews with some of the people innovating in this area.

Yashar Hezaveh: Mapping distant galaxies with artificial intelligence

We are in the midst of a revolution in computing, with "machine learning" algorithms solving problems for which major progress was thought to be decades away. As a result, computers can now exceed human performance at tasks such as recognizing patterns in images, playing complex games such as Go, and even driving cars.

Découverte 2013 No 3: Yashar Hezaveh

En regardant des galaxies très lointaines dont la lumière est amplifiée par un effet gravitationnel, l'équipe dont Yashar Hezaveh fait partie a démontré que les premières étoiles sont nées 1 milliard d'année plus tôt que ce qu'on croyait.

Portrait

Expertise de recherche

Ses recherches portent sur l’étude des galaxies lointaines à l’aide des effets de lentilles gravitationnelles, afin de cartographier plus précisément la distribution de la matière sombre dans les halos de ces galaxies. Ultimement, ses travaux devraient permettre de mieux comprendre la nature de la matière sombre.

Biographie

Yashar Hezaveh a complété une thèse de doctorat en juin 2013, sous la supervision du Professeur Gil Holder de l’Université McGill. Les recherches menées dans le cadre de sa thèse, intitulée “Strongly lensed high redshift dusty star forming galaxies discovered in wide area millimeter surveys”, lui ont valu de faire partie du palmarès des 10 découvertes de l’année 2013, du magazine Québec-Science.

Prix et distinctions

  • Récipiendaire du « Hubble Fellowship » - 2015

  • Top 10 des découvertes de l’année 2013 de Québec Science

Affiliations et responsabilités

Projets

Projets de recherche

2024 - 2027

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

Chercheur principal : Laurence Perreault-Levasseur
Co-chercheurs : Yashar Hezaveh
Sources de financement : FRQNT/Fonds de recherche du Québec - Nature et technologies (FQRNT)
Programmes de subvention : PVXXXXXX-(FQ) Programme Samuel-De Champlain (volet Recherche)
2020 - 2027

Probing the Particle Nature of Dark Matter with Strong Gravitational Lensing

Chercheur principal : Yashar Hezaveh
Sources de financement : CRSNG/Conseil de recherches en sciences naturelles et génie du Canada (CRSNG)
Programmes de subvention : PVX20965-(RGP) Programme de subvention à la découverte individuelle ou de groupe
2024 - 2026

Centre de recherche en astrophysique du Québec - CRAQ

Chercheur principal : David Lafrenière
Sources de financement : FRQNT/Fonds de recherche du Québec - Nature et technologies (FQRNT)
Programmes de subvention : PVXXXXXX-(RS) Programme de regroupements stratégiques
2023 - 2026

Peser les étoiles avec l'intelligence artificielle: une modélisation des populations stellaires pour une nouvelle génération de relevés du ciel

Chercheur principal : Yashar Hezaveh
Sources de financement : FRQNT/Fonds de recherche du Québec - Nature et technologies (FQRNT)
Programmes de subvention : PVXXXXXX-Programme NOVA pour chercheur(e)s de la relève (partenariat avec CRSNG)
2023 - 2026

Peser les étoiles avec l'intelligence artificielle: une modélisation des populations stellaires pour une nouvelle génération de relevés du ciel

Sources de financement : CRSNG/Conseil de recherches en sciences naturelles et génie du Canada (CRSNG)
Programmes de subvention : PVXXXXXX-Programme NOVA pour chercheur(e)s de la relève (partenariat avec FRQNT)
2020 - 2026

Probing the Particle Nature of Dark Matter with Strong Gravitational Lensing

Chercheur principal : Yashar Hezaveh
Sources de financement : CRSNG/Conseil de recherches en sciences naturelles et génie du Canada (CRSNG)
Programmes de subvention : PVXXXXXX-(DGECR) Tremplin vers la découverte
2021 - 2025

Learning the Universe

Chercheur principal : Laurence Perreault-Levasseur
Co-chercheurs : Julie Hlavacek-Larrondo , Yashar Hezaveh , Mohsen Ravanbakhsh
Sources de financement : Simons Foundation
Programmes de subvention :
2020 - 2025

Chaire de recherche du Canada en CRC in Astrophysical Data Analysis and Machine Learning

Sources de financement : SPIIE/Secrétariat des programmes interorganismes à l’intention des établissements
Programmes de subvention : PVX50399-Chaires de recherche du Canada
2022 - 2024

Realistic and Informative Simulations with machine learnING — RISING”

Sources de financement : Commission européenne (La)
Programmes de subvention :
2021 - 2024

Une nouvelle approche statistique pour estimer les incertitudes des réseaux de neurones artificiels

Chercheur principal : Yashar Hezaveh
Sources de financement : FRQNT/Fonds de recherche du Québec - Nature et technologies (FQRNT)
Programmes de subvention : PVXXXXXX-(NC) Établissement de la relève professorale

Rayonnement

Publications et communications

Disciplines

  • Astronomie et astrophysique
  • Physique

Champ d’expertise

  • Matière sombre
  • Apprentissage machine et apprentissage profond
  • Amas de galaxies

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.

Personnes-ressource dans nos équipes
Qui fait quoi?
Formulaires, procédures et systèmes
Formulaires et procédures
Occasions de financement avec PIVOT
PIVOT