L'objectif de cette thèse est de développer une méthode d'analyse novatrice pour extraire l’information cosmologique du grand relevé spectroscopique de galaxies DESI (Dark Energy Spectroscopic Instrument), reposant sur des simulations numériques du relevé et des nouvelles techniques d’apprentissage artificiel et d'inférence statistique, qui ne souffre pas des limitations des analyses standards.

DESI est un spectrographe multi-objets monté sur le télescope Mayall à Kitt Peak, en Arizona, qui permettra la mesure de 35 millions de redshifts 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). Au début de la thèse, la première année de prise de données DESI, correspondant à un cinquième du relevé, sera terminée, constituant ainsi le plus grand catalogue spectroscopique jamais construit. La quantité de données sera multipliée par trois d'ici la fin de la thèse.

Dans cette thèse, nous proposons de travailler sur une approche théoriquement optimale pour extraire l’information cosmologique des relevés de galaxies, en particulier DESI, qui consiste à reproduire la densité de galaxies observée à l'aide de simulations. En pratique, un champ de densité initial aléatoire de matière noire est généré dans une boîte cubique puis est évolué dans le temps suivant les équations de la gravité. Le champ de galaxies est modélisé à partir de celui de matière noire, puis les effets de sélection du relevé sont appliqués. La vraisemblance du champ de densité des galaxies observé étant donné le champ simulé est calculée, et sa valeur est utilisée pour échantillonner les conditions initiales du champ de densité. Ce projet, qui pourrait aboutir aux premières contraintes cosmologiques avec une telle méthode à partir de vraies données, donnera lieu à une ou deux publications premier auteur. Il sera aussi très utile aux analyses standards de DESI.