Inférence bayésienne et apprentissage profond : application à la cosmologie primordiale et à la mesure de l'accélération cosmique

Bayesian statistical inference and deep learning for primordial cosmology and cosmic acceleration

• Auteur / Autrice : Doogesh Kodi Ramanah
• Direction : Guilhem Lavaux, Benjamin Wandelt
• Type : Thèse de doctorat
• Discipline(s) : Cosmologie
• Date : Soutenance le 10/09/2019
• Etablissement(s) : Sorbonne université
• 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 de Paris (1936-....)
• Jury : Président / Présidente : Bertrand Laforge
• Jury : Examinateurs / Examinatrices : Hiranya Peiris, David Alonso
• Jury : Rapporteurs / Rapporteuses : Anthony Challinor, Carlo Contaldi

Mots clés

Mots clés contrôlés

Statistique bayésienne

Analyse des données

Fond diffus cosmologique

Cosmologie

Mots clés libres

Cosmologie

Grandes structures de l'Univers

Fond diffus cosmologique

Méthodes statistiques

Apprentissage profond

Analyse des données

Cosmology

Large scale structure of the universe

Cosmic microwave background

Statistical methods

Deep learning

Data analysis

Résumé

Cette thèse a pour vocation le développement et l’application de nouvelles techniques d’inférence statistique bayésienne et d’apprentissage profond pour relever les défis statistiques imposés par les gros volumes de données complexes des missions du fond diffus cosmologique (CMB) ou des relevés profonds de galaxies de la prochaine génération, dans le but d'optimiser l’exploitation des données scientifiques afin d’améliorer, à terme, notre compréhension de l’Univers. La première partie de cette thèse concerne l'extraction des modes E et B du signal de polarisation du CMB à partir des données. Nous avons développé une méthode hiérarchique à haute performance, nommée algorithme du dual messenger, pour la reconstruction du champ de spin sur la sphère et nous avons démontré les capacités de cet algorithme à reconstruire des cartes E et B pures, tout en tenant compte des modèles de bruit réalistes. La seconde partie porte sur le développement d’un cadre d'inférence bayésienne pour contraindre les paramètres cosmologiques en s’appuyant sur une nouvelle implémentation du test géométrique d'Alcock-Paczyński et nous avons présenté nos contraintes cosmologiques sur la densité de matière et l'équation d'état de l'énergie sombre. Etant donné que le contrôle des effets systématiques est un facteur crucial, nous avons également présenté une fonction de vraisemblance robuste, qui résiste aux contaminations inconnues liées aux avant-plans. Finalement, dans le but de construire des émulateurs de dynamiques complexes dans notre modèle, nous avons conçu un nouveau réseau de neurones qui apprend à peindre des distributions de halo sur des champs approximatifs de matière noire en 3D.

The essence of this doctoral research constitutes the development and application of novel Bayesian statistical inference and deep learning techniques to meet statistical challenges of massive and complex data sets from next-generation cosmic microwave background (CMB) missions or galaxy surveys and optimize their scientific returns to ultimately improve our understanding of the Universe. The first theme deals with the extraction of the E and B modes of the CMB polarization signal from the data. We have developed a high-performance hierarchical method, known as the dual messenger algorithm, for spin field reconstruction on the sphere and demonstrated its capabilities in reconstructing pure E and B maps, while accounting for complex and realistic noise models. The second theme lies in the development of various aspects of Bayesian forward modelling machinery for optimal exploitation of state-of-the-art galaxy redshift surveys. We have developed a large-scale Bayesian inference framework to constrain cosmological parameters via a novel implementation of the Alcock-Paczyński test and showcased our cosmological constraints on the matter density and dark energy equation of state. With the control of systematic effects being a crucial limiting factor for modern galaxy redshift surveys, we also presented an augmented likelihood which is robust to unknown foreground and target contaminations. Finally, with a view to building fast complex dynamics emulators in our above Bayesian hierarchical model, we have designed a novel halo painting network that learns to map approximate 3D dark matter fields to realistic halo distributions.