Inférence bayésienne en grande dimension avec des simulations automatiquement différentiables pour l'analyse cosmologique du relevé spectroscopique DESI

Scalable bayesian inference with automatically differentiable simulators for the cosmological analysis of the desi spectroscopic survey

• Auteur / Autrice : Hugo Simon onfroy
• Direction : Vanina Ruhlmann-kleider
• Type : Projet de thèse
• Discipline(s) : Science des Astroparticules et Cosmologie
• Date : Inscription en doctorat le 30/09/2023
• Etablissement(s) : université Paris-Saclay
• Ecole(s) doctorale(s) : École doctorale Particules, hadrons, énergie et noyau : instrumentation, imagerie, cosmos et simulation (Orsay, Essonne ; 2015-....)
• Partenaire(s) de recherche : Laboratoire : Département de Physique des Particules
• Partenaire(s) de recherche : Référent : Université Paris-Saclay. Faculté des sciences d’Orsay (Essonne ; 2020-....)

Mots clés

Mots clés libres

Relevé spectroscopique de galaxies

Intelligence artificielle

Apprentissage artificiel

Cosmologie

Inférence bayésienne

Cosmology

Galaxy spectroscopic survey

Artificial intelligence

Machine learning

Bayesian inference

Résumé

Le but de cette thèse est de développer des méthodes d'inférence bayésienne reposant sur des simulations différentiables et de les mettre en oeuvre pour l'analyse cosmologique du relevé de galaxies DESI (Dark Energy Spectroscopic Instrument). DESI est un spectrographe multi-objets monté sur le télescope Mayall à Kitt Peak, en Arizona, qui permettra la mesure de 35 millions de décalages spectraux de galaxies et de quasars entre 0.05 < z < 3.0, ce qui représente une augmentation de la statistique d'un facteur dix par rapport aux relevés spectroscopiques précédents (par exemple BOSS, eBOSS). Dans cette thèse, nous proposons de travailler sur une approche théoriquement optimale pour extraire l'information cosmologique des relevés récents de galaxies, en particulier DESI, qui consiste à reproduire la densité de galaxies observée à l'aide de simulations de la formation des grandes structures de l'Univers. Cette nouvelle approche requiert des développements pour rendre possible l'inférence en très grande dimension (~ 10^10) et pour accélérer les simulations numériques avec une approche hybride reposant sur des modèles physiques et d'apprentissage artificiel. Il s'agira d'appliquer ces développements à l'analyse cosmologique des données de DESI de première année pour en tirer des contraintes cosmologiques des plus compétitives.

The goal of this PhD project is to develop and apply methodologies for large-scale Bayesian inference over a differentiable physical simulator, with application to the cosmological analysis of the DESI (Dark Energy Spectroscopic Instrument) galaxy survey. DESI is a multi-object spectrograph mounted on the Mayall telescope at Kitt Peak, Arizona, which will enable redshift measurements of 35 millions of galaxies and quasars between 0.05 < z < 3.0, yielding a tenfold increase in statistics compared to previous spectroscopic surveys (e.g. BOSS, eBOSS). By the start of the PhD, the first year of DESI data taking, corresponding to one fifth of the total statistics will be completed, thereby constituting the largest spectroscopic dataset ever assembled. We propose to develop a theoretically lossless approach to extracting cosmological information from modern galaxy surveys, in particular DESI, which consists in reproducing the observed galaxy density with simulations of the Universe large scale structure. This new approach requires methodological developments to make high-dimensional (~ 10^10) Bayesian inference tractable, and to accelerate numerical simulations with hybrid physical and machine learning modelling. We will apply the developed methodology to the analysis of the DESI first year data to produce state-of-the-art cosmological constraints. This project will lead to three first-author publications.