Le but de cette thèse est de développer des méthodes d’inférence bayésienne reposant sur des simulations différentiables et de les mettre en oeuvre pour l’analyse cosmologique du relevé de galaxies DESI (Dark Energy Spectroscopic Instrument).

DESI est un spectrographe multi-objets monté sur le télescope Mayall à Kitt Peak, en Arizona, qui permettra la mesure de 35 millions de décalages spectraux de galaxies et de quasars entre 0.05 < z < 3.0, ce qui représente une augmentation de la statistique d'un facteur dix par rapport aux relevés spectroscopiques précédents (par exemple BOSS, eBOSS). La première année de prise de données de DESI, correspondant à un cinquième du relevé total et constituant le plus grand échantillon de données spectroscopiques à ce jour, vient d'être achevée.

Dans cette thèse, nous proposons de travailler sur une approche théoriquement optimale pour extraire l’information cosmologique des relevés récents de galaxies, en particulier DESI, qui consiste à reproduire la densité de galaxies observée à l’aide de simulations de la formation des grandes structures de l’Univers. Cette nouvelle approche requiert des développements pour rendre possible l’inférence en très grande dimension (~ 10^10) et pour accélérer les simulations numériques avec une approche hybride reposant sur des modèles physiques et d’apprentissage artificiel. Le ou la doctorant(e) appliquera ces développements à l’analyse cosmologique des données de DESI de première année pour en tirer des contraintes cosmologiques des plus compétitives. Ce projet mènera a trois publications premier auteur.