Contraintes cosmologiques par analyse tomographique des données Euclid

Cosmological constraints by tomographic galaxy clustering with Euclid data

• Auteur / Autrice : Vincent Duret
• Direction : Stéphanie Escoffier, William Gillard
• Type : Projet de thèse
• Discipline(s) : PHYSIQUE & SCIENCES DE LA MATIERE - Spécialité : ASTROPHYSIQUE ET COSMOLOGIE
• Date : Soutenance en 2025
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École Doctorale Physique et sciences de la matière (Marseille)
• Partenaire(s) de recherche : Laboratoire : CPPM - Centre de Physique des Particules de Marseille
• Jury : Président / Présidente : Alain Blanchard
• Jury : Examinateurs / Examinatrices : Stéphanie Escoffier, Etienne Burtin, Micol Bolzonella, William Gillard, Ariel Sanchez
• Jury : Rapporteurs / Rapporteuses : Alain Blanchard, Etienne Burtin

Mots clés

Mots clés libres

Cosmologie

Euclid

Galaxy clustering

Tomographie

Oscillations acoustiques baryoniques

Deep learning

Cosmology

Euclid

Galaxy clustering

Tomography

Baryon acoustic oscillations

Deep learning

Résumé

Nous sommes actuellement à l'aube de l'ère des relevés cosmologiques de niveau IV, initiée par le programme principal du Dark Energy Spectroscopic Instrument en mai 2021. Le relevé nominal du satellite Euclid a débuté le 14 février 2024. Il est dédié à l'étude de l'énergie sombre et de la matière noire, les deux constituants principaux mais invisibles de notre Univers, en cartographiant la distribution des galaxies en tant que traceurs de la matière. L'étude du regroupement des galaxies établit les propriétés des structures aux grandes échelles à travers diverses approches condensant l'information de cette distribution en une observable comme la fonction de corrélation. Le cadre théorique développé depuis l'établissement de la théorie de la relativité générale a évolué vers le modèle standard de la cosmologie appelé ΛCDM mais aussi vers une myriade de modèles alternatifs créés pour pallier à ses échecs. Confronter ces modèles aux observations avec des méthodes bayésiennes ou fréquentistes contraint leurs paramètres. Dans le chapitre 1, j'introduis les notions de base de cosmologie, à travers les équations d'Einstein, pour comprendre les relations entre l'Univers, son évolution et son contenu puisque cela est lié à la naissance du modèle ΛCDM et ses extensions comme les modèles d'énergie sombre. Le relevé Euclid est présenté pour comprendre le contexte de ce travail, avant d'aborder les oscillations baryoniques acoustiques (BAO), le sujet des principales analyses de cette thèse. Comme j'utilise des redshifts (décalages vers le rouge) photométriques plutôt que spectroscopiques pour déterminer les distances des galaxies et étudier leur regroupement, j'explore dans le chapitre 2 des méthodes récentes développées pour améliorer les redshifts photométriques grâce au deep learning, tout d'abord avec les observations du Sloan Digital Sky Survey puis avec des simulations Euclid. Le chapitre 3 est consacré à l'analyse du regroupement des galaxies photométriques. De la théorie de la fonction de corrélation angulaire à deux points à son estimateur et aux données de la simulation Euclid Flagship, je présente ensuite les mesures obtenues dans plusieurs configurations, avec l'aire totale de la simulation, 5157 deg², ou 2500 deg² comme attendu au moment de la première grande publication de données Euclid. Comme c'est une analyse tomographique, l'effet du type de bin est considéré, équipeuplé ou équidistant. L'effet de choix d'analyse variés est étudié, comme la taille ou résolution angulaire du catalogue de points aléatoires, le nombre d'échantillons jackknife utilisés pour calculer la covariance empirique. Les covariances empirique et analytique sont introduites et comparées. Les analyses BAO effectuées avec ces données sont présentées dans le chapitre 4, avec différentes approches : analyse sur les bins de redshift individuels ou analyse jointe, covariance empirique ou analytique, vecteur de données mesuré ou synthétique, MCMC ou profil de vraisemblance. Avec les contraintes obtenues dans chaque bin, je montre que l'on peut contraindre l'évolution de l'expansion de l'Univers. Avec l'analyse jointe, je démontre le potentiel du regroupement des galaxies photométriques avec Euclid avec des contraintes trois fois plus fortes qu'avec le Dark Energy Survey. Une analyse détaillée de la robustesse des résultats obtenues est fournie, à propos des bins de redshift inclus dans l'analyse, la cosmologie fiducielle, la forme fonctionnelle utilisée pour extraire le signal BAO, les distorsions de l'espace des redshifts, la sélection des échelles utilisées, la définition des bins de redshifts ou la covariance utilisée. Je conclus par une étude préliminaire des pistes d'améliorations de ces analyses BAO pour de futurs travaux.

We are currently at the dawn of the era of stage IV cosmological surveys, initiated with the Dark Energy Spectroscopic Instrument main program in May 2021. The nominal survey of the Euclid satellite started in February 2024 and it is dedicated to the study of dark energy and dark matter, the two principal but invisible components of our Universe, by mapping the distribution of galaxies as tracers of matter. Galaxy clustering establishes the properties of large scale structures, through different approaches like field-level inference or summary statistics which condense the information into observables like the correlation function. The theoretical framework built since the theory of General Relativity was established evolved towards the standard model of Cosmology called ΛCDM which currently explains most observations, but also a myriad of alternative models created to explain its failures. Confronting these models to observations with Bayesian or frequentist methods constrains their parameters. Having a detailed understanding of the influence of the choices made to obtain constraints is necessary. Making the most of the very large amount of data that Euclid will provide is also very important to me, which is why I study baryonic acoustic oscillations (BAO) with photometric galaxy clustering in my thesis. The first part of this thesis is dedicated to the required notions of Cosmology, the ΛCDM model, but also an introduction to Euclid and BAO. In the second part, I explore the use of deep learning methods to improve photometric redshift estimates with both observations and simulations. Different architectures of neural networks are compared in order to quantify the improvement given by the use of images with respect to photometry alone. The use of hybrid architectures with both images and photometry is also tested to further increase performance. The third part of this work describes photometric galaxy clustering through the two-point angular correlation function, from its theory to the way it is measured. The data from the Euclid Flagship simulation will be introduced along with the various measurements obtained. A study of various analysis choices is provided to understand their effect over the observable. The empirical and analytical covariances are introduced at the end of this third chapter. The fourth chapter is a set of tomographic analyses of BAO with photometric galaxy clustering. We extract and constrain the BAO signal as a function of redshift to constrain the expansion of the Universe and cosmological parameters, but we also constrain the BAO signal in a joint analysis of all redshift bins. A detailed study of various effects is presented, including the weight of each redshift bin, the choice of fiducial cosmology, the template used to extract the signal, scale cuts, redshift space distortions, the choice of redshift binning scheme and the covariance. I conclude with a preliminary study of how these constraints from BAO can be improved in the future.