Thèse Analyse Assistée par Apprentissage Automatique des Images de Lentille Gravitationnelle Faible d'Euclid H/F - 75

Établissement : Université Paris-Saclay GS Physique
École doctorale : Astronomie et Astrophysique d'Ile de France
Laboratoire de recherche : Astrophysique Instrumentation Modélisation
Direction de la thèse : Martin KILBINGER ORCID 0000000195137138
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-19T23:59:59

La lentille gravitationnelle faible, qui correspond à la distorsion des images de galaxies à haut redshift causée par les structures de matière à grande échelle le long de la ligne de visée, constitue l'un des outils les plus prometteurs de la cosmologie pour sonder le secteur sombre de l'Univers. Le télescope spatial européen Euclid mesurera les paramètres cosmologiques avec une précision sans précédent. Pour atteindre cet objectif ambitieux, un certain nombre de sources d'erreurs systématiques doivent être quantifiées et comprises. L'une des principales origines de biais est liée à la détection des galaxies. Celle-ci dépend fortement de la densité locale de galaxies ainsi que du recouvrement éventuel de la lumière d'une galaxie avec celle d'objets voisins. Si ces effets ne sont pas correctement pris en compte, ces galaxies fusionnées (blended galaxies) peuvent introduire des biais importants dans toute mesure ultérieure des distorsions d'images dues à la lentille gravitationnelle faible. C'est particulièrement critique pour la lentille faible par les amas de galaxies, où les galaxies membres contribuent fortement à la confusion et au mélange des images.

L'objectif de cette thèse est de quantifier et corriger les biais de détection en lentille gravitationnelle faible, en particulier ceux dus au mélange des images. Pour ce faire, des algorithmes modernes d'apprentissage automatique et d'apprentissage profond, incluant des techniques de différentiation automatique, seront utilisés. Ces méthodes permettent une estimation très efficace de la sensibilité des biais aux propriétés des galaxies et du relevé, sans nécessiter la génération d'un grand nombre de simulations. Le ou la doctorant·e mènera des analyses d'inférence des paramètres cosmologiques à partir des données de lentille gravitationnelle faible d'Euclid. Les corrections de biais développées dans cette thèse seront appliquées a priori lors de la mesure des formes des galaxies, ou a posteriori via des paramètres de nuisance, afin d'obtenir des mesures des paramètres cosmologiques répondant aux exigences de fiabilité de la cosmologie de précision.

measurement of cosmological parameters

deep learning

automatic differentiation

image analysis