Unveil the Local Universe

Découvrir l'univers local

• Auteur / Autrice : Aurélien Valade
• Direction : Anne Ealet, Matthias Steinmetz, Noam Libeskind
• Type : Thèse de doctorat
• Discipline(s) : Cosmologie
• Date : Soutenance le 12/06/2023
• Etablissement(s) : Lyon 1 en cotutelle avec Universität Potsdam
• Ecole(s) doctorale(s) : École doctorale de Physique et Astrophysique de Lyon (Lyon ; 1991-....)
• Partenaire(s) de recherche : Laboratoire : Institut de Physique des 2 Infinis de Lyon
• Jury : Président / Présidente : Jounghun Lee
• Jury : Examinateurs / Examinatrices : Anne Ealet, Matthias Steinmetz, Noam Libeskind, Rien Van De Weijgaert, Yannick Copin, Jenny Sorce
• Jury : Rapporteur / Rapporteuse : Jounghun Lee, Rien Van De Weijgaert

Mots clés

Mots clés contrôlés

Structure à grande échelle (astronomie)

Statistique bayésienne non paramétrique

Matière noire (astronomie)

Mots clés libres

Cosmologie

Matière noire

Structure à grande échelle

Cosmology

Dark Matter

Large scale structure

Résumé

Les galaxies de l’Univers forment un édifice gigantesque et complexe, appelé structure à grande échelle (LSS). Cependant, la grande majorité de la matière est considérée comme sombre, c’est-à- dire qu’elle n’est pas directement observable par nos télescopes et qu’elle n’est détectable que par son interaction gravitationnelle avec son environnement. La relation entre la distribution des galaxies et celle de la matière n’étant à ce jour pas entièrement bien décrite, la LSS ne peut être réduite aux galaxies qui l’habitent. Dévoiler la distribution de la matière et le champ de vitesse associé dans l’Univers local est une tâche extrêmement difficile. Une approche consiste à combiner, pour chaque galaxie, une mesure du décalage vers le rouge et une estimation de la distance pour obtenir sa vitesse par rapport à son environnement local. La seule source de mouvement à ces échelles étant la gravitation, le champ de vitesse est étroitement lié à la distribution de matière, et les deux peuvent être reconstruits ensemble. Cependant, l’estimation des distances, et donc des vitesses, est difficile à réaliser : les données sont rares, entachées d’erreurs et entachées de biais d’observation. Seule la composante radiale de la vitesse peut être mesurée et la taille de l’erreur croît avec la distance. Des méthodes mathématiques puissantes doivent donc être employées. Notre méthode suit l’approche de l’inférence bayésienne développée au cours de la dernière décennie pour pallier les insuffisances de la méthodologie du filtre de Wiener, dont la modélisation simpliste des données nécessite un traitement quelque peu ad hoc des données préalables. La première étape de l’inférence bayésienne consiste à écrire la probabilité conditionnelle d’un ensemble de paramètres d’un modèle donné, à partir d’un ensemble d’observations. La deuxième étape consiste à créer une série de réalisations de cette loi de probabilité à l’ aide d’une méthode de Monte Carlo, sur laquelle des statistiques sommaires peuvent être calculées. Cependant, ce processus est très coûteux en temps de calcul, et les méthodes développées précédemment n’ont pas pu faire face à la taille croissante des problèmes actuels et futurs. Ce travail répond à cette question grâce à deux innovations majeures. Tout d’abord avec l’utilisation de la méthode de pointe Hamiltonian Monte Carlo pour créer les réalisations du postérieur, et avec l’implémentation d’un code accéléré par le GPU qui réduit le temps de calcul par des ordres de grandeur : la reconstruction HAmiltonian Monte carlo de l’environnement localT (Hamlet). Hamlet est d’abord appliqué à des données fictives compatibles avec le modèle mis en œuvre. Nous démontrons que notre méthode converge correctement avec le nombre de contraintes et l’amplitude des incertitudes. Ensuite, Hamlet est exécuté sur un autre catalogue fictif extrait d’une simulation cosmologique de matière noire uniquement. Parallèlement à Hamlet, nous appliquons au même catalogue l’exemple le plus récent de l’approche double canonique : le pipeline Bias Gaussianization correction / Wiener Filter (BGc/WF). Par rapport au BGc/WF, Hamlet est capable d’extraire plus d’informations des données et de produire des cartes plus contrastées. Cependant, de nouveaux biais apparaissent dans sa reconstruction. Enfin, nous appliquons Hamlet à la dernière version des catalogues de vitesses particulières Cosmicflows : Cosmicflows-4. Nous comparons notre reconstruction de la distribution de matière à une large compilation de relevés de décalage vers le rouge, démontrant une correspondance remarquable entre les deux. Nous analysons les bassins d’attraction du champ de vitesse ainsi que le monopôle et le dipôle, montrant une légère tension avec ΛCDM.

Galaxies in the Universe form a gigantic, complex edifice, called the Large Scale Structure (LSS). Still, the vast majority of the matter is thought to be dark, i.e.not directly observable by our telescopes and detectable solely through its gravitational interaction with its surrounding. The relationship between the distribution of galaxies and the total matter field is still not fully described and thus, the LSS cannot be reduced to the galaxies that inhabit it. Unveiling the matter distribution and the associated velocity field in the Local Universe is an ex- tremely difficult task. One approach consists in combining, for each galaxy, a measurement of redshift and estimation of distance to obtain its velocity with respect to its local environment. With the only source of motion on these scales being gravitation, and using the fact that the velocity field is tightly linked to the matter distribution, the two can be reconstructed together. Yet, estimations of distances, and thus of velocities, are difficult to make: data are sparse, tainted with errors and plagued with observational biases. Only the radial component of the velocity can be measured and the error size grows with the distance. Powerful mathematical methods need thus be employed. Our method follows the Bayesian inference approach developed in the last decade to over-come the short-falling of the Wiener Filter methodology, whose simplistic modeling of the data requires a somewhat ad-hoc treatment of the data beforehand. The first step in Bayesian inference is the description of the conditional probability of a set of parameters of a given model given a set of observations. The second step is the creation of a series of realizations of this probability law with a Monte Carlo method, on which summary statistics can be computed. However, this process is computationally very costly, and the previously developed methods were unable to face the growing size of the current and future problems. This work answers this issue thanks to two major innovations. Firstly, with the use of the cutting edge Hamiltonian Monte Carlo method to create the realizations of the posterior (no comma) and secondly, with the implementation of an GPU accelerated code which reduces the computation time by orders of magnitude: the HAmiltonian Monte carlo reconstruction of the Local EnvironmentT (Hamlet). Hamlet is first applied to mock data consistent with the implemented model. We demonstrate that our method converges properly with the number of constraints and the amplitude of the uncertainties. Then, Hamlet is ran on another mock catalog extracted from a dark matter only cosmological simulation. In parallel, we apply to the same catalog the most recent instance of the canonical twofold approach: the Bias Gaussianization correction / Wiener Filter (BGc/WF) pipeline. In comparison to the BGc/WF, Hamlet is able to extract more information from the data and produce maps with a higher contrast. However, some new biases appear in its reconstruction. Finally, we apply Hamlet to the latest release of the Cosmicflows peculiar velocity catalogs: Cosmicflows-4. We compare our reconstruction of the matter distribution to a large compilation of redshift surveys, demonstrating a remarkable matching between the two. We analyze the Basins of Attraction of the velocity field as well as the monopole and dipole, showing a mild tension with ΛCDM.