Thèse Inférence des Paramètres Cosmologiques à l'Aide de Prédictions Théoriques des Statistiques en Ondelettes H/F - Université Paris-Saclay GS Physique

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 : Jean-Luc STARCK ORCID 0000000321777794
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-04-30T23:59:59

Euclid: The Probe of the Cosmos
Le satellite Euclid (lancé en 2023) cartographie la structure à grande échelle de l'Univers via la mesure du cisaillement gravitationnel faible-la déformation des galaxies distantes. Cette technique est cruciale pour étudier la matière noire et l'énergie noire.
Limites de l'Analyse Classique
L'approche traditionnelle utilise les statistiques du second ordre (spectre de puissance) et une vraisemblance gaussienne.
- Perte d'information : Elle ne capture pas toute la complexité non-gaussienne de la toile cosmique (amas, filaments).
- Coût : Elle exige des milliers de simulations N-corps pour estimer la matrice de covariance, un processus prohibitif.
- Systématiques : L'intégration des biais observationnels (masques, alignements intrinsèques) est très difficile.
Nouvelle Stratégie : Inférence sans Vraisemblance
L'inférence sans vraisemblance par modélisation directe (forward modelling) résout ces problèmes en comparant directement les données observées à des observables synthétiques. Elle intègre l'information non-gaussienne et les effets systématiques de manière plus naturelle, mais nécessite d'énormes ressources de calcul (GPU).
Une avancée majeure est la prédiction théorique des statistiques en ondelettes des cartes de convergence d'Euclid (Tinnaneni Sreekanth, 2024). Ces statistiques non-gaussiennes, notamment la norme L1, sont très puissantes pour contraindre les paramètres cosmologiques.
Un émulateur basé sur cette théorie (Tinnaneni Sreekanth et al., 2025) permet d'accélérer ce calcul, mais ne fournit pas encore la variance cosmique (stochasticité) nécessaire à l'inférence complète.
- Objectif de la Thèse
La thèse vise à construire un cadre complet d'inférence sans vraisemblance pour Euclid, en adressant le défi de la stochasticité. Le plan est le suivant :
1) Calculer la covariance théorique des statistiques en ondelettes (l'incertitude).
2) Créer un générateur de cartes stochastiques intégrant la variabilité cosmique.
3) Intégrer les effets systématiques (bruit, masques, physique baryonique) dans le modèle direct.
4) Appliquer le pipeline validé aux données d'Euclid pour poser des contraintes précises sur l'énergie noire et la gravité modifiée, en exploitant l'information non-gaussienne.

Un diplôme d'ingénieur ou M2 recherche en astrophysique, traitement du signal, ou apprentissage automatique est nécessaire. Être confortable avec le développement logiciel (au moins en Python) et les outils de développement ouverts et collaboratifs sera un atout important (e.g. GitHub).