Cosmologie – amas de galaxies – intelligence artificielle

Project Summary

La thèse a pour cadre le projet international de cosmologie XMM-XXL. Le but est de déterminer de manière indépendante l’équation d’état de l’Energie Sombre en utilisant des observations d’amas de galaxies en rayons X. Les observations sont obtenues à l’aide du satellite XMM de l’Agence Spatiale Européenne.
Le principe repose sur le fait que le nombre d’amas de galaxies formés au cours du temps dépend de manière critique de certains paramètres cosmologiques comme la densité de matière dans l’univers et le taux d’accélération de l’expansion (dont la découverte valut le prix Nobel à ses auteurs en 2011). Les observations en rayons X nous renseignent de manière directe sur l’existence, la masse et la distance des amas de galaxies.
Des résultats préliminaires portant sur un échantillon partiel ont été obtenus en 2018 ; ils ont fait l’objet de plusieurs communiqués de presse et ont été publiés dans un numéro spécial d’Astronomy and Astrophysics. La thèse proposée se situe dans la dernière phase du projet XXL et portera sur l’échantillon complet d’amas.
L’analyse cosmologique utilise le principe actuel du ‘forward modelling’ c’est à dire que les données XMM utilisées dans cette étude sont des quantités directement observables telles que le flux, la couleur, la taille apparente et le redshift des amas de galaxies détectés par XXL. Cette méthode permet de s’affranchir du fastidieux calcul direct de la masse des amas (qui dépend de la cosmologie).
Pour cette thèse, les méthodes d’analyse traditionnelles des données (type MCMC, utilisé jusqu’à présent par le projet) seront remplacées par une approche novatrice de type Intelligence Artificielle (précisément: Inference Free Likelihood + Approximate Bayesian Computation). Ceci permet d’améliorer et d’accélérer considérablement l’analyse cosmologique et, en même temps, d’explorer d’éventuelles dégénérescences entre les paramètres cosmologiques et ceux décrivant l’évolution de la physique des amas. L’idée de base est de considérer ces derniers comme des paramètres de nuisance qui se combinent aux autres incertitudes comme le bruit stochastique sur le nombre d’amas (dû à la taille finie du relevé) et les incertitudes sur la mesure des quantités X. Un des principaux problèmes pratiques à résoudre sera donc l’optimisation des simulations dans un espace à 11 dimensions, pour entrainer le réseau.
Il s’agira de:
(1) Finaliser le catalogue d’amas en vue de l’analyse cosmologique
(2) Optimiser la structure et le mode d’entrainement du réseau de neurones en fonction des contraintes observationnelles; modéliser les erreurs statistiques et les erreurs systématiques à l’aide de simulations
(3) Appliquer le réseau à l’analyse cosmologique du catalogue final d’amas XXL.
(4) Prédire les performances de la méthode pour les satellites X eROSITA (2019) et Athena (2032).
Les logiciels de base sont disponibles (cosmologie, réponse des instruments d’XMM, programmes IMNN+ABC) ainsi que les codes permettant de créer les simulations nécessaires à l’entrainement du réseau de neurones.
La bibliothèque de programmes pour l‘apprentissage profond est en langage python et a été adaptée aux spécificités du projet XXL. Les calculs sont effectués à distance au Centre de Calcul de l’IN2P3 à Lyon.
La thèse aura lieu dans le cadre très dynamique de l’équipe de Saclay (maître du projet XXL) et du consortium international XXL, regroupant directeurs de recherche, chercheurs, post-doc et étudiants.
Site du projet XXL.

Site du projet XXL

Laboratory website