Analyse cosmologique du survey d’amas de galaxie XXL

Cosmological analysis of the XXL survey galaxy clusters

• Auteur / Autrice : Christian Garrel
• Direction : Marguerite Pierre
• Type : Thèse de doctorat
• Discipline(s) : Astronomie et Astrophysique
• Date : Soutenance le 09/02/2022
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Astronomie et astrophysique d'Île-de-France (Meudon, Hauts-de-Seine ; 1992-....)
• Partenaire(s) de recherche : Laboratoire : Astrophysique Instrumentation Modélisation (Gif-sur-Yvette, Essonne ; 2005-....)
• Jury : Président / Présidente : Isabelle Grenier
• Jury : Examinateurs / Examinatrices : Isabelle Grenier, Jean-Paul Kneib, Frédéric Mayet, Christophe Adami, François Bouchet
• Jury : Rapporteurs / Rapporteuses : Jean-Paul Kneib, Frédéric Mayet

Mots clés

Mots clés contrôlés

Cosmologie

Astronomie des rayons X

Galaxies -- Amas

Mots clés libres

Surveys - rayons X

Amas de galaxies

Cosmologie

Analyse cosmologique

Surveys - X-rays

Galaxy clusters

Cosmology

Cosmological analysis

Résumé

Les amas de galaxies étant les objets les plus massifs, gravitationnellement liés, de l'Univers, ils occupent une place privilégiée en astrophysique. La formation et l'évolution des amas dépend de la géométrie et de la croissance des structures de l'Univers, ce qui fait des amas une sonde cosmologique importante. En rayons X, les amas sont détectés grâce au gaz chaud qui occupe l'espace entre les galaxies. Nous développons, au sein du relevé XXL (plus grand programme du télescope spatial XMM-Newton), un pipeline qui permet la détection et la caractérisation d'un échantillon d'amas de galaxies en utilisant l'information sur le recouvrement des pointés. Le but de ce nouvel outil est de doubler la taille de l'échantillon d'amas XXL afin de permettre une cosmologie de précision. Cette thèse présente les améliorations que j'ai apportées à ce pipeline. Le cœur de mon travail est une analyse cosmologique, utilisant un échantillon de 178 amas du relevé XXL possédant une fonction de sélection bien définie. Cette analyse de « forward modeling » est basée sur des diagrammes d'observables instrumentales en rayons X que sont le taux de comptage dans la bande [0.5--2] keV ainsi que le rapport de dureté ([1--2] keV / [0.5--1] keV). Cette méthode, appelée ASpiX, évite le calcul direct des masses individuelles des amas et prend en compte de façon cohérente les effets de sélection et les relations d'échelle. L'analyse se place d'abord dans les conditions de la précédente étude cosmologique XXL qui n'utilisait que la distribution en redshift des amas. Dans ce cadre, elle permet d'améliorer d'un facteur deux les précédents résultats lorsqu'elle est utilisée seule.En utilisant des priors adaptatifs pour rendre compte de la dépendance cosmologique des lois d'échelle, la deuxième partie de l'analyse laisse un total de onze paramètres libres (cinq cosmologiques et six de lois d'échelle). L'ajout de paramètres libres durant l'analyse augmente alors les incertitudes. Cependant, la combinaison des résultats ASpiX avec la fonction de corrélation XXL ainsi que les oscillations acoustiques de baryons (BAO) améliore les contraintes cosmologiques qui se trouvent en bon accord avec les contraintes du fond diffus cosmologique (CMB) de Planck.Grâce au développement de nouveaux outils d'apprentissage automatique, la dernière partie de cette thèse introduit l'utilisation de méthodes d'apprentissage profond dans deux cas principaux : (i) l'application dans le cadre d'une analyse cosmologique et (ii) dans le but d'optimiser, voir remplacer, le pipeline de détection. Ces nouvelles perspectives se révèlent d'un grand intérêt dans le cadre des relevés X à grande échelle en cours et à venir.

Clusters of galaxies are the most massive, gravitationally collapsed objects in the Universe, and therefore occupy a privileged place in astrophysics. The formation and evolution of clusters depends on the geometry and growth of structures in the Universe, which makes clusters an important cosmological probe. In X-rays, clusters are detected thanks to the hot gas that occupies the space between galaxies. We develop, within the XXL survey (the largest program to date of the space telescope XMM-Newton), a pipeline that allows the detection and characterization of a sample of galaxy clusters using the information on the overlap of the individual pointings. The goal of this new tool is to double the size of the cluster sample to allow for precision cosmology. This thesis presents the improvements I have made to this pipeline.The core of my work is a cosmological analysis, using a sample of 178 clusters from the XXL survey with a well-defined selection function. This forward modeling analysis is based on diagrams of instrumental X-ray observables that are the count rate in the [0.5-2] keV band as well as the hardness ratio ([1--2] keV / [0.5--1] keV). This method, called ASpiX, avoids the direct calculation of individual cluster masses and takes into account selection effects and scaling relations in a consistent manner. The analysis is first placed in the conditions of the previous cosmological XXL study which used only the clusters' redshift distribution. Within this framework, we find improvement by a factor of two the previous results when used alone.By using adaptive priors to account for the cosmological dependence of the scaling laws, the second part of the analysis leaves a total of eleven free parameters (five cosmological and six from scaling laws). The addition of free parameters during the analysis increases the uncertainties, however, the combination of the ASpiX results with the XXL correlation function as well as with the baryon acoustic oscillations (BAO) improves the cosmological constraints which are in good agreement with the constraints of Planck from the cosmological microwave background (CMB).Thanks to the development of new machine learning tools, the last part of this thesis introduces the use of deep learning methods in two main cases: (i) the application in the framework of a cosmological analysis and (ii) in order to optimize, or even replace, the detection pipeline. These new perspectives are of great interest in the context of current and future large-scale X-ray surveys.