Thèse soutenue

Intelligence artificielle et recherche de lentilles gravitationnelles dans les grands relevés astronomiques

FR  |  
EN
Auteur / Autrice : Quentin Petit
Direction : Christine DucourantEric Slezak
Type : Thèse de doctorat
Discipline(s) : Astrophysique, Plasmas, nucléaire
Date : Soutenance le 03/11/2023
Etablissement(s) : Bordeaux
Ecole(s) doctorale(s) : École doctorale des sciences physiques et de l'ingénieur
Partenaire(s) de recherche : Laboratoire : Laboratoire d'Astrophysique de Bordeaux
Jury : Président / Présidente : Roser Pello
Examinateurs / Examinatrices : Alexandre Boucaud, Sluse Dominique
Rapporteurs / Rapporteuses : Roser Pello, Geneviève Soucail

Résumé

FR  |  
EN

L'effet de lentille gravitationnelle est l'une des conséquences les plus spectaculaires et les plus utiles de la relativité générale. C'est une technique précise pour mesurer la distribution de masse des amas de galaxies, étudier leur contenu en matière noire et leur profil de masse, et l'une des rares techniques qui permettent de mesurer la constante de Hubble H_0 avec une précision <4%. Dans cette thèse, nous avons développé une approche basée sur l'apprentissage automatique pour rechercher des quasars lentillés à quatre images (quads) dans le catalogue Gaia DR3. En raison du nombre limité de quads connus à ce jour (environ 70 quads connus au 15/07/2023), il est essentiel de réaliser des simulations réalistes de lentilles gravitationnelles pour entraîner les algorithmes d'apprentissage automatique que j'ai employés.Tout d'abord, nous détaillons la méthode que j'ai développée pour améliorer les simulations des déflecteurs en utilisant des distributions réalistes de paramètres. Cette méthode analyse la forme, l'alignement et la distribution de masse des halos de matière dans les simulations cosmologiques EAGLE.J'ai ensuite utilisé les informations statistiques obtenues sur la forme de ces halos de matière noire et de matière baryonique pour réaliser des simulations de lentilles gravitationnelles à l'aide d'un modèle SIE+textit{shear} en explorant un large éventail de configurations possibles. Ces simulations ont été utilisées pour entraîner l'algorithme de machine learning XGBoost, basé sur le textit{gradient tree boosting}. En combinant les distributions de paramètres obtenues à partir de simulations EAGLE avec l'algorithme d'apprentissage XGBoost, nous avons obtenu huit modèles entraînés. Nous confrontons alors les résultats de cet apprentissage aux découvertes récentes de quads pour évaluer l'efficacité de cette approche. Nous avons confirmé l'efficacité de ces modèles en évaluant un échantillon de cas faux positifs issus de précédentes campagnes d'observation, montrant une réduction significative des scores des faux positifs. De plus, parmi un échantillon de 20 quads confirmés, 16 ont été correctement identifiés avec un score élevé, renforçant ainsi la fiabilité de notre approche. Les résultats obtenus soulignent l'amélioration significative apportée par notre méthode par rapport aux approches précédentes.En exploitant les modèles entraînés sur les données d'EOLENS, le catalogue de multiplets issu de la chaîne d'analyse GravLens du Gaia Data Processing and Analysis Consortium (Gaia DPAC), nous avons établi une liste prometteuse de plusieurs dizaines de nouveaux candidats de quasars lentillés à quatre images. Ces candidats seront l'objet de futures campagnes d'observation pour confirmer ou infirmer leur nature.