Thèse Séparation de Composante Innovante pour la Détection des Modes B du Cmb H/F Doctorat.Gouv.Fr

Établissement : École normale supérieure - PSL (ENS-PSL) École doctorale : Astronomie et Astrophysique d'Ile de France Laboratoire de recherche : Laboratoire de Physique de l'École normale supérieure Direction de la thèse : François LEVRIER Début de la thèse : 2026-11-01 Date limite de candidature : 2026-09-30T23:59:59 Ce projet de thèse s'attaque à l'un des défis les plus exigeants de la cosmologie observationnelle moderne : la détection de la polarisation primordiale de type B du Fond Diffus Cosmologique (CMB). Les modes B primordiaux - des motifs de polarisation en forme de tourbillon attendus à des échelles angulaires de l'ordre du degré - constitueraient une signature directe des ondes gravitationnelles inflationnaires, offrant une fenêtre sans précédent sur la physique du tout jeune Univers. Leur détection est un objectif central d'expériences de nouvelle génération telles que le Simons Observatory (SO, 2024+) et le satellite LiteBIRD (2028+).

L'obstacle central est que le signal de mode B est cent à mille fois plus faible que les avant-plans galactiques polarisés qui le contaminent, principalement l'émission thermique de la poussière et le rayonnement synchrotron du Milieu Interstellaire. La séparation de composantes - démêler le signal cosmologique de ces contaminants - est aussi critique que la sensibilité instrumentale. Ces avant-plans sont régis par des processus physiques non linéaires (turbulence magnétisée, physique des grains de poussière) produisant des structures spatiales non gaussiennes complexes que des statistiques standard comme le spectre de puissance ne capturent pas. Aucun modèle a priori suffisamment précis n'existe pour ces émissions, excluant toute approche classique d'apprentissage supervisé.

Le projet propose d'utiliser les Scattering Transforms (ST), une famille de statistiques résumées à faible variance, basées sur les ondelettes et inspirées des réseaux de neurones. Construites par convolutions successives avec des ondelettes, des opérations de module et des covariances spatiales, les ST ne nécessitent aucun entraînement préalable. Leur propriété clé est de capturer des structures non gaussiennes complexes en seulement quelques centaines de paramètres, permettant de construire des modèles génératifs de champs physiques dans un cadre d'entropie maximale, même à partir d'une seule réalisation - ce qui les rend idéalement adaptées au régime de données rares et d'absence de modèle a priori.

Des résultats récents illustrent la puissance de cette approche : des algorithmes basés sur les ST ont séparé l'émission de poussière galactique du Fond Diffus Infrarouge à partir de données observationnelles seules, et produit la première formulation bayésienne de ce cadre, reconstituant des distributions postérieures depuis une unique observation contaminée sans modèle externe. Les cartes reconstruites préservent des structures filamentaires non gaussiennes à fine échelle, bien en dessous du niveau de bruit, avec une résolution angulaire et un rapport signal-sur-bruit substantiellement améliorés par rapport à l'état de l'art.

En s'appuyant sur ces résultats, le projet vise à développer des algorithmes de séparation multi-fréquences et multi-composantes adaptés aux données de SO et LiteBIRD, avec pour objectif l'estimation du rapport tenseur-sur-scalaire r. Le travail s'organise sur trois ans : la première année établit un algorithme bayésien basé sur les ST dans un cadre contrôlé, exploitant les statistiques gaussiennes du CMB analytiquement tout en traitant la poussière de manière non paramétrique. La deuxième année étend l'approche à des configurations réalistes, intégrant l'émission synchrotron, des réponses instrumentales réalistes et le calcul haute performance sur de grandes zones du ciel. La troisième année applique le pipeline complet aux données réelles de Planck et SO, avec des prévisions pour LiteBIRD en collaboration avec les équipes observationnelles.

Au-delà de la cosmologie du CMB, ce cadre algorithmique - séparation de composantes sans modèle a priori et à partir de données limitées - présente un potentiel étendu à l'ensemble des sciences naturelles.