Mots clés |
Physique, Cosmologie, Astrophysique, Galaxies, Amas de galaxies, Apprentissage automatique |
Resumé |
La distribution des galaxies dans l'Univers est une ressource précieuse pour étudier les théories cosmologiques. Les amas de galaxies, qui sont les plus grandes structures gravitationnelles de l'Univers, sont des sujets idéaux pour comprendre la composition et les caractéristiques de l'Univers. Ils sont aussi importants pour vérifier la validité des modèles cosmologiques et leurs paramètres. Les avancées des dernières décennies dans l'imagerie astronomique ont permis d'identifier des amas de galaxies jusqu'à z~1. Les futurs relevés à grande échelle, comme ceux de l'observatoire Rubin/LSST et de la mission spatiale Euclid, vont fournir des données très complètes sur les amas de galaxies, ouvrant de nouvelles possibilités pour la recherche cosmologique. Cependant, ces progrès posent aussi des défis méthodologiques, nécessitant le développement de nouveaux détecteurs d'amas de galaxies plus efficaces que les méthodes traditionnelles. Dans ma thèse, je présente le travail que j'ai fait pour développer un détecteur d'amas de galaxies appelé YOLO-CL (YOLO pour la détection de clusters), basé sur le réseau neuronal YOLO. Contrairement à beaucoup d'autres algorithmes, YOLO-CL travaille directement sur les images sans besoin de catalogues de sources. Je présente les résultats de l'entraînement de YOLO-CL avec des images du Sloan Digital Sky Survey pour détecter des amas de galaxies, ainsi qu'une analyse de ses performances globales. YOLO-CL a atteint une pureté et une complétude remarquables de 98\% dans l'identification des amas, prouvant son efficacité pour la recherche cosmologique. De plus, les résultats montrent que YOLO-CL a une meilleure exhaustivité que l'algorithme utilisé pour créer l'échantillon d'entraînement, démontrant la capacité des algorithmes d'apprentissage automatique à détecter des caractéristiques subtiles souvent ignorées par les méthodes classiques. Une caractéristique importante de YOLO-CL, et de tout nouveau détecteur d'amas, est sa capacité à travailler avec les ensembles de données profondes des futures études, promettant des échantillons plus purs et plus complets. Cependant, comme ces études (Rubin/LSST ou Euclid) n'ont pas encore commencé ou viennent juste de commencer, il est impossible de tester YOLO-CL sur leurs données. De plus, évaluer la précision et le rappel des échantillons nécessite des catalogues de galaxies de référence, possibles seulement avec des simulations. Dans ma thèse, j'aborde les défis de l'utilisation des réseaux neuronaux pour détecter les amas dans différentes enquêtes. Je propose aussi une solution pour adapter YOLO-CL à la détection d'amas dans les images Rubin/LSST. Après un réentraînement avec un échantillon comprenant une petite partie d'images simulées Rubin/LSST, YOLO-CL a atteint une pureté et une complétude de 93\% quand il a été validé sur des simulations Rubin/LSST. Cette performance, comparée à d'autres méthodes de détection d'amas, est parmi les plus robustes pour les amas à z<1. |