Explorer l'aube cosmique et l'époque de réionisation avec le signal 21 cm
Auteur / Autrice : | Evan Eames |
Direction : | Benoît Semelin |
Type : | Thèse de doctorat |
Discipline(s) : | Astronomie et Astrophysique |
Date : | Soutenance le 14/11/2018 |
Etablissement(s) : | Paris Sciences et Lettres (ComUE) |
Ecole(s) doctorale(s) : | École doctorale Astronomie et astrophysique d'Île-de-France (Meudon, Hauts-de-Seine ; 1992-....) |
Partenaire(s) de recherche : | Laboratoire : Laboratoire d’étude du rayonnement et de la matière en astrophysique et atmosphères (Paris ; 2002-....) - Laboratoire d'Etudes du Rayonnement et de la Matière en Astrophysique |
établissement opérateur d'inscription : Observatoire de Paris (1667-....) | |
Jury : | Président / Présidente : Philippe Zarka |
Examinateurs / Examinatrices : Benoît Semelin, Mohammed Reza Ansari Foumani, Garrelt Mellema, Dominique Aubert, Paola Di Matteo, Andrei Mesinger | |
Rapporteurs / Rapporteuses : Mohammed Reza Ansari Foumani, Garrelt Mellema |
Mots clés
Mots clés contrôlés
Mots clés libres
Résumé
Les simulations, de plus en plus, sont capables de saisir la complexité de l'époque de réionisation, durant laquelle l'hydrogène neutre de l'Univers a été ionisé par les premières sources lumineuses. Des bases de données représentatives de la multitude de signaux possibles seront nécessaires pour contraindre les paramètres des modèles quand des observations 21~cm seront disponibles. À cette fin, et en préparation des observations à venir sur des instruments comme SKA, nous avons développé une base de données de cones de lumières EoR haute-résolution (21ssd.obspm.fr), ainsi qu'une modélisation du bruit thermique. Nous avons également développé un formalisme permettant de quantifier la différence entre les modèles de cette base de données, en utilisant le spectre de puissance et la fonction de distribution des pixels. Nous trouvons que les deux diagnostiques sont sensibles à des paramètres différents des modèles, ce qui signifie que les deux peuvent être utilisés ensemble de manière complémentaire pour extraire l'information maximale. De plus, en utilisant le code 21cmFAST, nous avons développé des stratégies pour échantillonner l'espace des paramètres d'une manière optimale (plus homogène et isotrope), afin de fournir le meilleur point de départ entrainer un réseau de neurones. Ce réseau retrouve les paramètres du modèle en se basant sur une observable. Nous observons une amélioration modérée dans la précision de ses prédictions quand nous utilisons l'échantillonnage optimisé lors de son entrainement.