Vers une analyse précise de la distribution spatiale des galaxies avec DESI : incomplétude observationnelle et fonctions à deux points par intervalle de densité

Towards precision galaxy clustering analyses with DESI : addressing incomplete observations and modeling density-split statistics

• Auteur / Autrice : Mathilde Pinon
• Direction : Etienne Burtin, Arnaud De mattia
• Type : Thèse de doctorat
• Discipline(s) : Science des Astroparticules et Cosmologie
• Date : Soutenance le 02/10/2025
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Particules, Hadrons, Énergie et Noyau : Instrumentation, Imagerie, Cosmos et Simulat
• Partenaire(s) de recherche : Laboratoire : Département de physique des particules (Gif-sur-Yvette, Essonne)
• Partenaire(s) de recherche : Référent : Faculté des sciences d'Orsay
• Partenaire(s) de recherche : graduate school : Université Paris-Saclay. Graduate School Physique (2020-....)
• Jury : Président / Présidente : Delphine Hardin
• Jury : Examinateurs / Examinatrices : Julian Bautista, Sylvain De la torre, Cora Uhlemann, Sophie Henrot-Versillé, Raul Angulo
• Jury : Rapporteurs / Rapporteuses : Julian Bautista, Sylvain De la torre

Mots clés

Mots clés contrôlés

Structure à grande échelle (astronomie)

Relativité générale (physique)

Énergie sombre (astronomie)

Galaxies

Densité

Cosmologie

Mots clés libres

Cosmologie

Densité

Galaxies

Énergie noire

Relativité générale

Taux de croissance des structures

Cosmology

Density

Galaxies

Dark energy

General relativity

Growth rate of structures

Résumé

L'étude des grandes structures de l'Univers à partir des relevés de galaxies constitue un levier majeur pour tester le modèle standard de la cosmologie et affiner notre compréhension de l'énergie noire, de la matière noire, et de l'inflation primordiale. Depuis 2021, le Dark Energy Spectroscopic Instrument (DESI) sonde le ciel pour mesurer les décalages vers le rouge de près de 50 millions de galaxies et quasars, et construire la plus grande cartographie de l'Univers jamais réalisée. La première année d'observations de DESI, complétée en Juin 2022, comporte déjà les spectres de plus de 14 millions de galaxies. Cette thèse est consacrée au développement de méthodes d'analyse de la distribution spatiale des galaxies observées par des relevés spectroscopiques comme DESI.Les analyses cosmologiques actuelles s'appuient essentiellement sur les statistiques à deux points (fonction de corrélation et spectre de puissance). Obtenir des contraintes cosmologiques précises à partir d'observations de millions de galaxies nécessite une maîtrise fine des biais observationnels. DESI collecte les spectres de ses galaxies cibles à l'aide de près de 5000 fibres optiques, dont la position est ajustée à chaque exposition par des positionneurs robotiques. L'un des défis majeurs dans les données DESI est l'incomplétude due à l'assignation des fibres, chaque fibre ne pouvant être associée qu'à une seule galaxie par exposition. Cela induit une perte systématique d'observations, particulièrement marquée dans les zones à forte densité.Je propose une méthode robuste pour corriger ce biais dans les statistiques à deux points : exclure les paires de galaxies à séparation angulaire inférieure au diamètre couvert par chaque positionneur de fibre, et appliquer la même coupure dans les modèles théoriques. À l'aide de simulations réalistes de DESI, je montre que cette méthode permet de restaurer des mesures non biaisées.Au-delà des biais observationnels, les fonctions à deux points présentent une limitation fondamentale : elles capturent uniquement la covariance du champ de densité à différentes échelles. Or, si les fluctuations de densité primordiales sont quasi-Gaussiennes, l'effondrement gravitationnel induit une dynamique non-linéaire qui génère des non-Gaussianités importantes aux petites échelles, qui échappent à ces statistiques.Pour exploiter pleinement le potentiel des relevés de galaxies, je m'intéresse à une alternative aux statistiques à deux points traditionnelles : les fonctions à deux points par environnement de densité. Ces statistiques conditionnelles permettent d'analyser la distribution des galaxies en fonction de la densité locale, et ont montré dans des travaux récents leur complémentarité vis-à-vis des fonctions à deux points, permettant d'extraire davantage d'information cosmologique.Dans cette thèse, je développe un modèle théorique de ces fonctions basé sur la théorie des grandes déviations appliquée au champ de densité de matière. Je valide ce modèle par comparaison à des simulations de matière noire et de galaxies. Les prédictions sont en bon accord avec les mesures aux grandes échelles, avec une précision compatible avec l'erreur statistique de la première année de données DESI.

The study of the large-scale structure of the Universe through galaxy surveys is a major tool for testing the standard model of cosmology and improving our understanding of dark energy, dark matter, and primordial inflation. Since 2021, the Dark Energy Spectroscopic Instrument (DESI) has been surveying the sky to measure the redshifts of nearly 50 million galaxies and quasars, and produced the largest map of the Universe ever made. DESI's first year of observations, completed in June 2022, already includes spectra for over 14 million galaxies. This thesis is dedicated to developing methods for analyzing the spatial distribution of galaxies observed by spectroscopic surveys like DESI.Current cosmological analyses mainly rely on two-point statistics (the correlation function and power spectrum). Extracting precise cosmological constraints from observations of millions of galaxies requires careful control of observational biases. DESI collects galaxy spectra using nearly 5000 optical fibers, whose positions are adjusted for each exposure by robotic positioners. A major challenge in DESI data is incompleteness due to fiber assignment: each fiber can only be allocated to one galaxy per exposure, resulting in a systematic loss of observations, particularly in high-density regions.I propose a robust method to correct this bias in two-point statistics, which consists in excluding galaxy pairs with angular separations smaller than the diameter covered by each fiber positioner, and applying the same cut in theoretical models. Using realistic DESI simulations, I show that this method successfully restores unbiased measurements.Beyond observational biases, two-point statistics have a fundamental limitation: they only capture the covariance of the density field at different scales. While primordial density fluctuations are nearly Gaussian, gravitational collapse induces non-linearities that lead to significant non-Gaussianities on small scales, which are not captured by these statistics.To fully exploit the potential of galaxy surveys, I focus on an alternative to traditional two-point statistics: two-point functions conditioned on local density, referred to as “density-sit statistics”. These conditional statistics characterize galaxy clustering as a function of the surrounding density environment, and recent work has shown their complementarity to standard two-point functions to extract more cosmological information.In this thesis, I develop a theoretical model for these statistics based on large deviation theory applied to the matter density field. I validate the model by comparing it to simulations of dark matter and galaxies. The predictions agree well with measurements on large scales, with a precision compatible with the statistical error from DESI's first-year data.