Passer au contenu principal

Recherche

Afficher tous les résultats pour

Accueil

Personne

Jean-Luc Starck

À propos
Confidentialité
Mentions légales

Copyright © 2025 EPFL, tous droits réservés

Graph Chatbot

Source officielle

https://people.epfl.ch/jstarck?lang=fr

À propos de ce résultat

Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Publications associées (21)

Veuillez noter qu'il ne s'agit pas d'une liste complète des publications de cette personne. Elle inclut uniquement les travaux sémantiquement pertinents. Pour une liste complète, veuillez consulter Infoscience.

Euclid: Validation of the MontePython forecasting tools

Frédéric Courbin, Georges Meylan, Jean-Luc Starck, Maurizio Martinelli, Julien Lesgourgues, Slobodan Ilic, Yi Wang, Richard Massey

Context. The Euclid mission of the European Space Agency will perform a survey of weak lensing cosmic shear and galaxy clustering in order to constrain cosmological models and fundamental physics. Aims. We expand and adjust the mock Euclid likelihoods of t ...

Edp Sciences S A2024

Potential scientific synergies in weak lensing studies between the CSST and Euclid space probes

Jean-Paul Richard Kneib, Huanyuan Shan, Jean-Luc Starck

Aims. With the next generation of large surveys poised to join the ranks of observational cosmology in the near future, it is important to explore their potential synergies and to maximize their scientific outcomes. In this study, we aim to investigate the ...

EDP SCIENCES S A2023

Euclid preparation: XXVIII. Forecasts for ten different higher-order weak lensing statistics

Frédéric Courbin, Gianluca Castignani, Austin Chandler Peel, Jean-Luc Starck, Maurizio Martinelli, Yi Wang, Richard Massey, Fabio Finelli, Marcello Farina

Recent cosmic shear studies have shown that higher-order statistics (HOS) developed by independent teams now outperform standard two-point estimators in terms of statistical precision thanks to their sensitivity to the non-Gaussian features of large-scale ...

EDP SCIENCES S A2023