Machine Learning for Square Kilometre Array Observatory

Opis projektu

Rozwiewanie mgieł - mapowanie kosmosu oparte na sztucznej inteligencji

Konwencjonalne metody słabo radzą sobie z rozróżnianiem słabych sygnałów pochodzących z kosmosu ze względu na silne zakłócenia ze strony innych ciał niebieskich oraz samych przyrządów. Zespół finansowanego ze środków działania „Maria Skłodowska-Curie” projektu SERENEt ma na celu opracowanie nowych probabilistycznych algorytmów uczenia maszynowego, które pozwolą nam lepiej zrozumieć epokę rejonizacji. W ramach projektu zespół wykorzysta modele generatywne i równania stochastyczne w celu mapowania rozkładu obojętnego wodoru. Dzięki opracowaniu realistycznych symulacji i zestawienie ich z istniejącymi danymi gromadzonymi przez teleskopy, zespół projektu SERENEt zamierza opracować pierwsze rekonstrukcje wczesnego Wszechświata uwzględniające niepewność pomiarową. Te zaawansowane narzędzia powstaną z myślą o wsparciu Obserwatorium Square Kilometre Array w realizacji jego celu, jakim jest wykrycie pierwszych gwiazd i galaktyk. Prace zespołu SERENEt zaowocują opracowaniem ogólnodostępnych zbiorów danych i metod, które przyczynią się do usprawnienia wnioskowania astrofizycznego opartego na bogatych zbiorach danych.

Cel

Understanding how the first stars and galaxies transformed the Universe during the Epoch of Reionisation (EoR) is one of the primary science goals of the Square Kilometre Array Observatory (SKAO). Its low-frequency instrument, SKA-Low, will produce unprecedented 3D maps of neutral hydrogen. Still, these faint cosmological signals are buried under astrophysical foregrounds and instrumental artefacts several orders of magnitude stronger. Current approaches mainly rely on power spectrum analysis and deterministic deep learning methods, both of which face limitations in separating signal from contamination and in propagating uncertainties to astrophysical inference. This project proposes a new probabilistic machine-learning framework for tomographic reconstruction of the 21-cm signal. First, I will generate realistic simulations of interferometric data, combining cosmological models, foregrounds, and instrument effects. Next, I will benchmark existing deterministic pipelines and extend them with Normalising Flow–based generative models combined with stochastic differential equations to capture the full probability distribution of the signal. Finally, the method will be validated on dedicated LOFAR-EoR observations, ensuring robustness to real data challenges. The expected outcomes include: (i) the first uncertainty-aware 21-cm tomographic reconstructions, (ii) open-access codes, datasets and trained models, and (iii) methodologies ready for application to SKA-Low Science Verification data. By advancing statistical tools at the interface of cosmology and AI, the project directly supports SKAO’s objectives, maximises the scientific return of European infrastructures, and contributes broadly to data-intensive science. This project lays the foundations of a machine-learning–driven paradigm that will enable SKA-Low to open an unprecedented observational window onto the cosmic dawn and the Epoch of Reionisation.