SLEEC

La méthodologie du projet SLEEC repose sur l’apprentissage auto-supervisé, une famille de techniques d’IA qui apprend à représenter des données complexes sans nécessiter d’étiquetage manuel. Le projet s’appuie en particulier sur les modèles de diffusion, des architectures qui ont démontré leur puissance pour capturer des distributions de données à haute dimension. Le premier axe utilisera des « diffusion auto-encoders » pour construire des représentations compactes du signal 21-cm tridimensionnel, en cherchant à minimiser la perte d’information tout en réduisant la sensibilité aux incertitudes de modélisation astrophysique. Le second axe emploiera des architectures similaires pour reconstruire directement les champs physiques sous-jacents (densité, température) à partir du signal observé, une approche encore émergente dans le domaine. Ces méthodes seront couplées à l’inférence bayésienne, notamment via l’inférence basée sur la simulation, pour produire des contraintes robustes sur les paramètres cosmologiques et astrophysiques de l’époque de la réionisation. Le projet ambitionne de valider ces approches sur des simulations réalistes du signal 21-cm, en anticipation des données du SKA. À terme, la combinaison de ces deux axes de recherche pourrait poser les bases d’un modèle fondationnel dédié à la cosmologie du 21-cm, un outil réutilisable et transférable à différentes analyses futures.