Portrait de Yashar Hezaveh

Yashar Hezaveh

Membre académique associé
Professeur adjoint, Université de Montréal, Département de physique

Biographie

Yashar Hezaveh est membre associé de Mila – Institut québécois d'intelligence artificielle et directeur de Ciela – Institut de Montréal pour l'analyse des données astrophysiques et l'apprentissage automatique. Il est professeur adjoint au Département de physique de l'Université de Montréal, titulaire d'une chaire de recherche du Canada en analyse de données astrophysiques et apprentissage automatique, membre associé de l'Institut spatial Trottier de l'Université McGill et chercheur invité au Center for Computational Astrophysics du Flatiron Institute (New York) et au Perimeter Institute. Auparavant, il a été chercheur au Flatiron Institute (2018-2019) et boursier Hubble de la NASA à l'Université de Stanford (2013-2018).

Il est un leader mondial dans l'analyse des données astrophysiques avec l'apprentissage automatique. Ses recherches actuelles portent principalement sur l'inférence bayésienne dans l'IA (par exemple, les modèles de diffusion) et visent à faire progresser les connaissances sur la distribution de la matière noire dans les galaxies fortement lenticulaires à l'aide de données provenant de grands relevés cosmologiques. Ses recherches sont soutenues par la Schmidt Futures Foundation et la Simons Foundation.

Étudiants actuels

Stagiaire de recherche - McGill
Superviseur⋅e principal⋅e :
Stagiaire de recherche - UdeM
Co-superviseur⋅e :
Stagiaire de recherche - UdeM
Maîtrise recherche - McGill
Doctorat - UdeM
Superviseur⋅e principal⋅e :
Stagiaire de recherche - UdeM
Co-superviseur⋅e :
Stagiaire de recherche - UdeM
Co-superviseur⋅e :
Stagiaire de recherche - UdeM
Superviseur⋅e principal⋅e :
Maîtrise recherche - UdeM
Superviseur⋅e principal⋅e :
Maîtrise recherche - UdeM
Superviseur⋅e principal⋅e :
Maîtrise recherche - UdeM
Co-superviseur⋅e :
Postdoctorat - UdeM
Superviseur⋅e principal⋅e :

Publications

A Framework for Obtaining Accurate Posteriors of Strong Gravitational Lensing Parameters with Flexible Priors and Implicit Likelihoods Using Density Estimation
Ronan Legin
Benjamin Wandelt
We report the application of implicit likelihood inference to the prediction of the macroparameters of strong lensing systems with neural ne… (voir plus)tworks. This allows us to perform deep-learning analysis of lensing systems within a well-defined Bayesian statistical framework to explicitly impose desired priors on lensing variables, obtain accurate posteriors, and guarantee convergence to the optimal posterior in the limit of perfect performance. We train neural networks to perform a regression task to produce point estimates of lensing parameters. We then interpret these estimates as compressed statistics in our inference setup and model their likelihood function using mixture density networks. We compare our results with those of approximate Bayesian neural networks, discuss their significance, and point to future directions. Based on a test set of 100,000 strong lensing simulations, our amortized model produces accurate posteriors for any arbitrary confidence interval, with a maximum percentage deviation of 1.4% at the 21.8% confidence level, without the need for any added calibration procedure. In total, inferring 100,000 different posteriors takes a day on a single GPU, showing that the method scales well to the thousands of lenses expected to be discovered by upcoming sky surveys.