Intelligence artificielle générative et inférence cosmologique multi-traceurs : Euclid et la cartographie d’intensité HI à 21 cm
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.
Tester les modèles cosmologiques avec la forêt Lyman-alpha du grand relevé DESI
La distribution de matière à grande échelle dans l'univers est utilisée pour tester nos modèles cosmologiques. On utilise pour cela avant tout les oscillations acoustiques de baryons (BAO) mesurée dans la fonction de corrélation à deux points de cette distribution. Cependant l'ensemble du champ de matière contient des informations à diverses échelles, qui permettent de mieux contraindre nos modèles que le BAO seul. A redshift z > 2, la meilleure sonde de cette distribution de matière est la forêt Lyman-alpha, un ensemble de raies d'absorption mesurées dans les spectres de sources lointaines. Le grand relevé spectroscopique DESI a collecté environ un million de ces spectres. Avec le lot partiel de données "DR2", nous avons déjà mesuré le BAO avec une précision de 0.7%, contraignant ainsi fortement le taux d'expansion de l'univers au cours des premiers milliards d'années de son évolution.
Le but de cette thèse est d'exploiter l'ensemble complet des données Lyman-alpha à grande échelle de DESI pour obtenir les meilleures contraintes possibles sur les modèles cosmologiques. Pour cela, dans une première étape l'étudiant appliquera pour la première fois une méthode dite de reconstruction, qui permet d'améliorer la précision de la mesure du BAO, en exploitant l'information du champ de densité de matière. Dans la suite de sa thèse, en lien avec des efforts similaires menés dans notre groupe avec les galaxies de DESI, il implémentera une nouvelle méthode dite de simulation-based inference: dans cette approche l'ensemble du champ de matière est utilisé directement pour estimer les paramètres cosmologiques en particulier l'énergie noire. L'étudiant apportera ainsi une pierre importante aux mesures cosmologiques finales de DESI avec le Lyman-alpha.
Cette thèse sera de préférence précédée d'un stage.
À la chasse aux galaxies cachées à l'apogée de la formation d'étoiles dans l'Univers : comment les galaxies se forment, grandissent et meurent-elles dans l'Univers primordial ?
Il y a près de 10 milliards d'années, l'Univers formait des étoiles à un rythme record. Les galaxies s'assemblaient, grossissaient et se transformaient à une vitesse que l'on n'observe plus aujourd'hui. Dans cette époque se cache un joyau rare : un groupe massif de galaxies à un décalage vers le rouge de 1,85, saisi en plein processus d'assemblage autour d'une galaxie centrale en flambée de formation d'étoiles.
Par un heureux hasard, la lumière émise par les atomes d'hydrogène de ce groupe (la raie Halpha, traceur direct des étoiles nouvellement formées) est décalée exactement à la bonne longueur d'onde pour l'un des filtres à bande étroite du JWST. Notre programme JWST accepté exploite cette coïncidence pour produire une carte panoramique, à haute résolution spatiale, des régions de formation d'étoiles de l'ensemble du groupe. Environ 100 galaxies en formation d'étoiles devraient être détectées, y compris des naines une centaine de fois moins massives que la Voie lactée, à une époque où de tels objets restent presque inexplorés.
Le ou la doctorant(e) analysera ces données inédites et abordera trois questions ouvertes :
1) Combien de petites galaxies un groupe contient-il ? Les simulations de matière noire froide prédisent beaucoup plus de petits satellites que ce que l'on observe dans l'Univers proche. Les dénombrer dans un groupe lointain offre un nouveau test de ce « problème des satellites manquants » et des modèles alternatifs de matière noire.
2) Comment les galaxies se construisent-elles ? Le JWST résout les gigantesques amas d'étoiles en formation au sein des galaxies, ce qui permettra de mesurer leur taux de formation et leur rôle dans la croissance galactique.
3) Comment les galaxies s'éteignent-elles ? L'étudiant(e) recherchera les signes du balayage par pression dynamique (« ram-pressure stripping »), c'est-à-dire l'arrachement du gaz d'une galaxie lorsqu'elle traverse le gaz chaud du groupe, au plus grand décalage vers le rouge jamais sondé.
Le ou la doctorant(e) travaillera avec des images et des spectres du JWST, se formera aux techniques d'analyse de données astronomiques les plus récentes et confrontera ses résultats à des simulations cosmologiques. Aucune expérience préalable du JWST n'est requise : la curiosité, la rigueur, des compétences en programmation (Python idéalement) et le goût des grandes questions comptent avant tout.
Il ou elle rejoindra une équipe de recherche dynamique à Paris, l'un des principaux pôles européens d'astrophysique extragalactique, avec la possibilité de collaborer à l'international, de participer à des conférences et de présenter ses propres découvertes.