Les relevés cosmologiques actuels et à venir, notamment la mission spatiale Euclid et les expériences de cartographie d'intensité de l'hydrogène neutre (HI) à 21 cm, offrent une occasion unique d'améliorer notre compréhension de la formation des grandes structures et du contenu physique de l'Univers. Ces sondes complémentaires permettent de tracer la structure à grande échelle du cosmos de différentes manières : le lentillage gravitationnel faible, mesuré par Euclid, sonde les effets gravitationnels de la matière intégrée le long de la ligne de visée, tandis que la cartographie d'intensité HI retrace en trois dimensions la distribution de matière à partir de l'émission à 21 cm de l'hydrogène neutre, décalée vers le rouge. Leur analyse conjointe pourrait révéler des informations cosmologiques difficiles à extraire de chacune de ces sondes prise individuellement. Toutefois, exploiter pleinement cette complémentarité reste un défi, en raison du coût de calcul des simulations physiques, de la complexité des effets astrophysiques et instrumentaux, ainsi que de la difficulté à extraire toute l'information contenue dans les champs cosmiques non gaussiens.
Cette thèse développera de nouvelles méthodes d'intelligence artificielle pour la modélisation directe (forward modelling) du signal cosmologique conjoint et l'inférence des paramètres à partir de ces observations multi-traceurs. Dans un premier temps, des modèles génératifs neuronaux seront développés pour apprendre la relation entre les paramètres cosmologiques, la distribution sous-jacente de matière et les cartes synthétiques de lentillage faible et d'intensité HI. Ces modèles viseront à accélérer la génération de simulations réalistes tout en préservant les propriétés statistiques de chaque sonde et les corrélations entre elles. Dans un deuxième temps, des représentations neuronales seront étudiées afin d'analyser conjointement les cartes de lentillage faible d'Euclid et les cartes d'intensité HI, dans le but d'exploiter l'information non gaussienne et les corrélations complémentaires entre traceurs. Enfin, ces développements seront intégrés dans des méthodes d'inférence fondées sur les simulations (simulation-based inference), afin de contraindre les paramètres cosmologiques tout en tenant compte des incertitudes astrophysiques et instrumentales.
La méthodologie sera validée à l'aide de simulations réalistes, puis appliquée aux données de cartographie d'intensité HI déjà disponibles de MeerKAT, en combinaison avec les observations de lentillage faible d'Euclid, à mesure que les données pertinentes deviendront disponibles dans les prochaines années. Cela fournira un cadre d'application observationnelle concret dès le début du projet. Les méthodes seront également conçues pour permettre de futures applications à SKA-Mid et aux prochaines générations de relevés radio. L'objectif est d'établir un cadre d'inférence cosmologique fondé sur l'intelligence artificielle, capable d'exploiter plus complètement l'information conjointe apportée par plusieurs traceurs, ouvrant ainsi de nouvelles perspectives pour l'étude de la matière noire et de la formation des structures cosmiques.