Explorer l'aube cosmique et l'époque de réionisation avec le signal 21 cm

Simulations are increasingly able to capture the intricacies of the Epoch of Reionization, during which the neutral hydrogen in the Universe was ionized by the first luminous sources. Databases encompassing the range of possible signals will be needed to constrain parameter values when 21~cm observations are available. In preparation for upcoming experiments such as the SKA, we have developed a database of high-resolution EoR lightcones (21ssd.obspm.fr), along with realistic thermal noise modelling. We examine frameworks with which we can quantify the difference between entries in this database, specifically with the power spectrum and pixel distribution function. We find that the two diagnostics are sensitive to different parameters, meaning they can be used together to extract maximumal information. Then, using the 21cmFAST code, we explore how to optimally sample a parameter space (so that it is more homogeneous and isotropic), in order to provide the best set-up for parameter extraction. Finally, the improved sampling is used in training a neural network. The neural network uses observables as input data, and attempts to estimate the corresponding parameter values. When the optimal sampling is used as training data, we find that the neural network is able to estimate parameter values with a modest improvement in accuracy.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