Lentille gravitationnelle faible des amas de galaxies à l'aide de l'intelligence artificielle // Weak gravitational lensing of galaxy clusters with artificial intelligence

Les amas de galaxies sont l'une des principales sondes cosmologiques utilisées dans les relevés astronomiques modernes, couvrant des longueurs d'onde allant des micro-ondes aux rayons X. La mesure de leur abondance, c.-à.-d. le nombre d'amas en fonction de leur masse et redshift, permet de poser des contraintes fortes sur l'énergie noire et la croissance des structures. En particulier, l'étude des amas peut aider à comprendre la tension sur l'amplitude des fluctuations de matière entre les mesures effectuées à des époques primordiales et récentes, ainsi qu'à confirmer (ou réfuter) les récentes affirmations concernant une énergie noire variable dans le temps. Le satellite spatial européen Euclid et le télescope Vera C. Rubin, avec le Legacy Survey of Space and Time (LSST), mesureront ces paramètres cosmologiques avec une précision inégalée, les amas de galaxies étant l'un des éléments clés de ces analyses.

Pour utiliser les amas en cosmologie, leur masse doit être mesurée avec une grande précision. L'effet de lentille gravitationnel faible est une méthode puissante pour y parvenir. Il s'agit de la distorsion, ou cisaillement, des images de galaxies lointaines sous l'effet de la matière le long de la ligne de visée.

Cependant, des défis subsistent pour mesurer la masse des amas par lentille faible. Des biais significatifs peuvent apparaître en raison d'erreurs dans l'estimation du cisaillement des galaxies d'arrière-plan. Une attention particulière doit être portée à l'étalonnage de ces mesures dans le régime des amas, où l'effet de lentille n'est plus strictement faible et où la densité de galaxies rend difficile la mesure des formes. De plus, des biais liés aux modèles apparaissent lorsque l'on fait des hypothèses simplifiées sur le profil des amas, en négligeant la sous-structure et les effets baryoniques.

Les méthodes statistiques de pointe, et en particulier l'apprentissage automatique (ML) et l'intelligence artificielle (IA), offrent des solutions prometteuses pour pallier ces limitations. La mesure des formes et leur calibration sont considérablement améliorées grâce à la différenciation automatique : les effets non-linéaires, importants dans les régions centrales denses des amas (tels que le reduced shear, la flexion et la réponse au cisaillement d'ordre supérieur), peuvent être modélisés avec précision et efficacité. Les biais dus aux complexités des images observées, comme la superposition des galaxies, peuvent être corrigés à l'aide de simulations avancées, combinées à des modèles génératifs d'intelligence artificielle pour produire des images réalistes. De plus, la distribution de masse des amas, souvent complexe, doit être modélisée de manière non-paramétrique et plus rapide que les simulations cosmologiques à N-corps. Des simulations rapides, combinées à des approches basées sur la vraisemblance neuronale ou l'estimation du postérieur, permettent d'inférer efficacement et de manière flexible les propriétés des amas, notamment leur masse.

L'objectif de cette thèse est de développer de nouvelles méthodes basées sur le ML et les modèles génératifs d'IA pour obtenir des mesures précises de la masse des amas de galaxies à partir du lensing gravitationnel faible. Ce travail vise à améliorer les mesures de lentille gravitationnelle jusqu'à de plus petites distances par rapport au centre des amas. Cela permettra d'accroître significativement la précision des masses dérivées par lentille gravitationnelle faible et d'approfondir notre compréhension des effets baryoniques sur la matière noire dans les régions internes des amas, encore mal connues.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Galaxy clusters are one of the key cosmological probes in modern astronomical surveys from microwave to X-ray wavelengths. Measurements of their abundance, i.e., the number of clusters as a function of mass and redshift, can provide strong constraints on dark energy and the growth of structure. In particular, cluster observations can shed light on the tension on the amplitude of matter fluctuations between early- and late-time measurements, and to confirm (or refute) recent claims of a time-varying dark energy. The European space satellite Euclid, and the Vera C. Rubin telescope with the Legacy Survey of Space and Time (LSST) will measure those and other cosmological parameters to unprecedented accuracy, with galaxy clusters being one of the main ingredients.

To use clusters for modern cosmology, their masses must be measured to great precision. Weak gravitational lensing is a formidable method to measure those masses. Weak lensing is the distortion, or shear, of images of distant galaxies by matter along the line of sight. Lensing probes the dark+baryonic matter in the Universe, and provides thus a measure of the total cluster mass. These measurements have been shown to be very precise], and do not need to rely on incomplete knowledge of their content or dynamical state that plagues other methods using baryonic tracers as mass proxies.

However, challenges remain in measuring weak-lensing cluster masses for the systematics-limited datasets from Euclid and LSST. Significant biases can arise due to errors in shear estimates of background galaxies. Special care needs to be taken to calibrate such measurements in the cluster regime where lensing is no longer very weak, and where crowding biases measured shapes. In addition, model biases arise when making simplified assumptions about the cluster profile, neglecting substructure and baryonic effects.

State-of-the-art statistical and, in particular, machine learning (ML) and artificial intelligence (AI) methods promise a way to account for those limitations. hape measurement and calibration is significantly improved with automatic differentiation: Non-linear effects, important in high-density central cluster regions, such as reduced shear, flexion, and a second-order shear response can be modelled accurately and efficiently. Biases due to complexities in observed galaxy images from crowding and blending can be handled with forward simulations in combination with generative AI models to create realistic galaxy models. Further, non-trivial cluster mass distributions need to be modelled in a non-parametric and less time-consuming way than full N-body simulations. Fast forward-simulations in combination with neural likelihood or posterior estimation can be used for efficient and flexible inference of cluster properties such as its mass.

The goal of this PhD is to develop novel methods of ML and generative AI models to provide accurate measurements of galaxy cluster masses using weak gravitational lensing. This work aims to push lensing measurements to smaller cluster-centric distances. This will significantly increase the accuracy and precision of weak-lensing derived masses, and help our understanding of baryonic effects on dark matter in the poorly known inner cluster regions.
------------------------------------------------------------------------------------------------------------------------------------------------------------------------
------------------------------------------------------------------------------------------------------------------------------------------------------------------------

Début de la thèse : 01/10/2025
WEB : https://www.cosmostat.org/jobs

Autre type de financement - Autre type de financement,Région Ile de France - DIM (Domaine d'Intérêt Majeur),,Autre concours - Appel à projet pour le programme doctoral UDOPIA en intelligence artificielle

Université Paris-Saclay GS Physique

127 Astronomie et Astrophysique d'Ile de France

M2 en mathématiques appliquées, physique, astronomie, ou sujet similaire.
Master (M2) in applied maths, physics, astronomy, or related subject.