Thèse soutenue

Les environnements de la toile cosmique : identification, caractérisation et quantification de l'information cosmologique
FR  |  
EN
Accès à la thèse
Auteur / Autrice : Tony Bonnaire
Direction : Nabila AghanimAurélien Decelle
Type : Thèse de doctorat
Discipline(s) : Astronomie et Astrophysique
Date : Soutenance le 16/09/2021
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale Astronomie et astrophysique d'Île-de-France (Meudon, Hauts-de-Seine ; 1992-....)
Partenaire(s) de recherche : Laboratoire : Institut d'astrophysique spatiale (Orsay, Essonne ; 1990-....)
référent : Faculté des sciences d'Orsay
Jury : Président / Présidente : Jean-Luc Starck
Examinateurs / Examinatrices : Radu Stefan Stoica, Oliver Hahn, Simon White, Giulio Biroli, Sandrine Codis-Decara
Rapporteurs / Rapporteuses : Radu Stefan Stoica, Oliver Hahn

Résumé

FR  |  
EN

La distribution de matière dans l'Univers se présente sous une structure complexe que l'on appelle la toile cosmique. Dans cette disposition spatiale, des régions denses, les noeuds de la toile cosmique, sont reliés par des ponts de matière, les filaments, qui se trouvent à l'intersection de structures planaires moyennement denses appelées murs qui définissent eux-mêmes les bords de vastes régions vides. Cette distribution, façonnée par la gravité depuis des milliards d'années, contient de précieuses informations sur le modèle cosmologique sous-jacent mais également sur les conditions initiales de l'Univers et son évolution. La détection et l'étude des éléments de la toile cosmique, qui jouent également un rôle fondamental dans la formation et l'évolution des galaxies, constituent de véritables défis nécessitant la conception d'outils sophistiqués pour traiter la complexité des structures multi-échelles qui la compose.Avec pour ambition d'identifier et de caractériser les différents environnements, cette thèse propose plusieurs approches pour analyser des jeux de données spatialement organisés au moyen de méthodes d'apprentissage non supervisé fondées sur les modèles de mélanges. En particulier, des principes dérivés de la physique statistique sont utilisés pour mieux appréhender et comprendre la dynamique d'apprentissage d'un algorithme de classification non supervisé. Nous exposons comment utiliser ce parallèle avec la physique statistique afin d'explorer le jeu de données et obtenir des informations sur sa structure.Afin d'identifier la structure filamentaire de la toile cosmique, nous construisons ensuite une version régularisée de la procédure de classification pour apprendre itérativement une représentation du jeu de données, que l'on suppose généré par une structure uni-dimensionnelle sous-jacente. La méthode modélise cette structure latente par un graphe qui est intégré comme un a priori dans la formulation Bayésienne du problème menant à l'estimation d'un graphe principal passant au centre de la distribution de matière tracée par les galaxies.Nous montrons que cette formulation est particulièrement adaptée à la description des filaments cosmiques puisqu'elle permet la description de leurs propriétés géométriques (longueurs, épaisseurs, etc.) ainsi que l'association, pour les traceurs (galaxies, halos), d'une probabilité d'appartenir à un filament donné. L'algorithme proposé dans la thèse est appliqué avec succès à des simulations numériques. Ces applications ont notamment permis l'étude des relations entre la connectivité des amas de galaxies dans la toile cosmique et leurs propriétés dynamiques et morphologiques.Enfin, nous réalisons, à partir d'un ensemble de simulations à N-corps, une étude approfondie de l'information cosmologique contenue dans les environnements de la toile cosmique (noeuds, filaments, murs et vides). Il est notamment montré que l'analyse des environnements permet de lever les dégénérescences entre certains des paramètres du modèle faisant de la toile cosmique une sonde alternative permettant d'améliorer significativement les contraintes sur les paramètres cosmologiques vis-à-vis des analyses conventionnelles.