Inférence cosmologique plein champ avec lentillage faible : de la différenciation automatique à l'estimation de la densité par réseau de neurones

Full-Field cosmological inference with weak lensing : from automatic differentiation to neural density estimation.

• Auteur / Autrice : Denise Lanzieri
• Direction : Jean-Luc Starck
• Type : Thèse de doctorat
• Discipline(s) : Astronomie et astrophysique d'Ile de France
• Date : Soutenance le 06/10/2023
• 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 : Alan F. Heavens
• Jury : Examinateurs / Examinatrices : Simona Mei, Anne Ealet, Vincenzo Fabrizio Cardone
• Jury : Rapporteur / Rapporteuse : Alan F. Heavens, Roberto Trotta

Mots clés

Mots clés contrôlés

Simulation, Méthodes de

Structure à grande échelle (astronomie)

Cosmologie

Lentilles gravitationnelles

Mots clés libres

Lentillage gravitationnel faible

Statistiques d'ordre supérieure

Paramètres cosmologiques

Grandes structures de l'Univers

Simulations cosmologiques

Énergie noire

Différenciation automatique

Weak gravitational lensing

Cosmology

Higher order statistics

Cosmological simulations

Dark energy

Automatic differentiation

Résumé

Les prochaines études sur l'énergie noire de phase IV, telles que Euclid et LSST, observeront l'Univers avec une précision sans précédent, ce qui nous permettra d'étudier des questions non résolues dans la cosmologie actuelle. Ces études utiliseront l'effet de lentille gravitationnelle faible comme l'une des principales sondes pour étudier l'origine de l'expansion accélérée de l'Univers et les propriétés de sa composante de matière noire. Cependant, l'inférence cosmologique traditionnelle pour l'effet de lentille gravitationnelle faible présente deux limites importantes : Premièrement, les statistiques en deux points ne permettent pas d'extraire pleinement les informations non gaussiennes des données cosmologiques. Deuxièmement, même pour les statistiques en deux points, l'élaboration d'un modèle précis pour la fonction de vraisemblance peut être très ardue (incertitudes à petite échelle, signaux non gaussiens, etc.). Ces dernières années, il a été démontré que les statistiques d'ordre supérieur à deux peuvent aider à accéder à l'information non gaussienne. Néanmoins, ces approches sont caractérisées par l'absence de modèles analytiques pour décrire le signal observé et nécessitent de calibrer l'inférence cosmologique à partir de simulations de lentillage faible. Une façon de contourner une vraisemblance explicite consiste à utiliser des méthodes d'inférence sans vraisemblance. Ces méthodes estiment les distributions postérieures par le biais d'une modélisation à partir des données simulées. Il est également possible d'utiliser des méthodes bayésiennes de modélisation, qui intègrent les observations dans un modèle, permettant la reconstruction exacte de la vraisemblance. Toutes les méthodologies et les développements de cette thèse visent deux objectifs principaux : faire des simulations rapides et approximatives adaptées au chaîne de traitement et d'analyse des données des prochaines études cosmologiques et étudier les techniques de modélisation pour exploiter le potentiel des données de lentillage faible de la prochaine génération. Dans ce contexte, nous avons développé et validé le paquet Differentiable Lensing Lightcone (DLL) dans le cadre du LSST. DLL est un modèle physique différentiable entièrement automatique conçu pour de l'inférence rapide, visant à atteindre une grande précision avec de faibles coûts de calcul. L'outil DLL est conçu pour être utilisé comme modèle direct dans les algorithmes d'inférence bayésienne nécessitant l'accès aux dérivées de la vraisemblance du modèle. Nous avons également développé un nouveau schéma de correction pour améliorer la précision des simulations d'un quasi-système à N corps, visant à reproduire la précision des simulations d'un système à N corps à haute résolution. Enfin, nous étudions les performances de différentes procédures pour extraire de manière optimale les résumés informatifs obtenus à partir de cartes de masse de faibles lentilles fictives comprimées à l'aide de réseaux neuronaux de convolution.

The upcoming stage-IV Dark Energy surveys, such as Euclid and LSST, will observe the Universe with unprecedented accuracy, allowing us to investigate fundamental problems in cosmology. These surveys will use weak gravitational lensing as one of the main probes to investigate the origin of the accelerated expansion of the Universe and the properties of its dark matter component. However, traditional cosmological inference for weak gravitational lensing has two important limitations: First, the two-point statistics do not fully extract the non-Gaussian information from cosmological data. Second, even for the two-point statistics, writing down an accurate model for the likelihood function can be very arduous (small-scale uncertainties, non-Gaussian signals, etc.). In recent years, it has been shown that statistics of order higher than a second can help to access non-Gaussian information, nevertheless, these approaches are characterized by the absence of analytical models to describe the observed signal and require calibrating the cosmology inference from weak lensing simulations. One possible way to circumvent an explicit likelihood consists in using Likelihood-free inference methods. These methods estimate posterior distributions through forward modeling of simulated data. Alternatively, Bayesian forward-modeling methods can be used, which integrate observations into a forward model, enabling the exact reconstruction of the likelihood. All the methodologies and developments in this thesis work towards two major goals: making fast approximated simulations suitable for the data analysis pipeline of upcoming cosmological surveys and investigating forward modeling techniques to exploit the potential of next-generation weak lensing data. In this context, we have developed and validated the Differentiable Lensing Lightcone (DLL) package within the LSST framework. DLL is a fully automatically differentiable physical model designed for fast inference, aiming to achieve high accuracy with low computational costs. The DLL tool is designed to be used as a forward model in Bayesian inference algorithms requiring access to the derivatives of the likelihood of the model. We have also developed a new correction scheme to enhance the accuracy of quasi-N-body simulations, aiming to replicate the precision of high-resolution N-body simulations. Finally, we investigate the performance of different procedures to optimally extract informative summaries obtained from mock weak lensing mass maps compressed using Convolution Neural Networks