Statistique computationnelle bayésienne pour l'étude des distributions spectrales d'énergie des galaxies

Bayesian computational statistics for the study of spectral energy distribution of galaxies

• Auteur / Autrice : Grégoire Aufort
• Direction : Pierre Pudlo, Denis Burgarella
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques
• Date : Soutenance le 10/10/2022
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Mathématiques et Informatique de Marseille (Marseille)
• Partenaire(s) de recherche : Laboratoire : Institut de mathématiques de Marseille (I2M) (Marseille, Luminy) (2014-....) - Laboratoire d'Astrophysique de Marseille (LAM)
• Jury : Président / Présidente : Nicolas Chopin
• Jury : Examinateurs / Examinatrices : Clotilde Laigle, Florence Forbes, Véronique Buat
• Jury : Rapporteurs / Rapporteuses : Marc Huertas-Portocarrero Company, Sylvain Le Corff

Mots clés

Mots clés contrôlés

Galaxies

Distribution spectrale de l'énergie

Algorithmes

Intelligence computationnelle

Statistique bayésienne

Statistique mathématique

Mots clés libres

Distribution spectrale d'énergie

Statistique bayésienne

Échantillonnage préférentiel

Apprentissage statistique

Galaxies

Spectral energy distribution

Bayesian statistics

Importance Sampling

Machine Learning

Galaxies

Résumé

L’exploitation efficace des nouveaux outils de mesure et d'observation en astrophysique nécessite le développement de nouveaux outils statistiques. On s'intéresse en particulier à de nouveaux outils de statistique bayésienne pour l'étude des distributions spectrales d'énergie (SED) des galaxies. Après une introduction à l'étude des SED, la première partie propose un algorithme de calcul bayésien approché pour le choix de modèle d'histoire de formation stellaire à partir de données photométriques. La méthode est appliquée à des données issues du relevé COSMOS pour l'identification de galaxies dont le taux de formation stellaire a subi une violente altération dans un passé proche. La seconde partie propose un nouvel algorithme d'échantillonnage préférentiel adaptatif multiple : TAMIS (Tempered Anti-Truncated Multiple Importance Sampling). En introduisant une suite de distributions cibles auxiliaires auto-calibrées, TAMIS est robuste au fléau de la dimension ainsi qu'à une mauvaise initialisation et ne requiert que relativement peu d'évaluations de la densité de cible, sans utiliser son gradient. La troisième partie présente le code CIGALE utilisé pour la modélisation des SED. Le calcul de la SED attendue à paramètres connus se fait par étapes successives correspondant aux différents processus physique à l'oeuvre. Pour accélérer le temps de calcul, nous proposons le remplacement des calculs explicites de certaines étapes par une approximation par réseau de neurones. Enfin on présente un modèle statistique complet pour l'estimation des paramètres et le choix de modèle bayésiens utilisant à la fois les données photométriques et spectroscopiques, puis l'application de TAMIS

The exploitation of new observation tools in astrophysics requires the development of new statistical tools in order to be effective and precise. We are particularly interested bayesian statistics for the study of the spectral energy distributions of galaxies. After an introduction to the analysis of spectral energy distributions, the first part of this thesis proposes a machine learning based approximate bayesian computation algorithm (ABC) for the choice of star formation history models from data photometric. The method is applied to data from the COSMOS survey for the identification of galaxies whose star formation rate has undergone a violent alteration in the near past. The second part of the thesis proposes a new multiple adaptive importance sampling algorithm: TAMIS (tempered anti-truncated multiple importance sampling). By introducing a sequence of self-calibrated auxiliary target distributions TAMIS is robust to the curse of dimensionality as well as poor initialization, and requires relatively few evaluations of the target density, without using its gradient. The third part presents the CIGALE code used for modeling the spectral distributions of galaxies from physical models. The calculation of the expected SED with known parameters is done in successive stages corresponding to the different physical processes at play. To speed up the computation, we propose the replacement of the explicit computations of certain steps by a neural network approximation.Finally we presents a complete statistical model for the bayesian parameter inference and model choice using both photometric and spectroscopic data, and the application of TAMIS to this specific problem