Return to search

Accélération du lentillage gravitationnel à plans multiples par apprentissage profond

Le "modèle standard" actuel de la cosmologie est celui de ΛCDM, décrivant un Univers en expansion
accélérée ainsi qu’une structure de matière sombre froide formée en halos, sur lesquels s’assemblent
les galaxies. Malgré les nombreuses confirmations observationnelles de ses prédictions, il existe
d’importantes tensions entre les mesures de la distribution de structure sombre aux petites échelles
de l’Univers et ce qui serait attendu de ΛCDM. Cependant, ces halos légers de matière sombre,
qui sont prédit d’abonder à travers le cosmos, n’hébergent pas de galaxies lumineuses et sont donc
très difficiles à observer directement. Leur présence peut toutefois être détectée dans les lentilles
gravitationnelles fortes de type galaxie-galaxie, un phénomène se produisant lorsque la lumière
d’une galaxie d’arrière-plan est fortement déviée par le champ gravitationnel d’une galaxie d’avantplan, formant des images multiples et des arcs étendus. Les halos distribués en ligne de visée de
tels systèmes, ainsi que ceux imbriqués dans la galaxie lentille, peuvent causer des perturbations
gravitationnelles dans les images de galaxies lentillées. La détection de ces effets infimes dans des
observations de lentilles gravitationnelles est faite par des méthodes statistiques Bayésiennes, qui
nécéssitent des centaines de milliers de simulations de la contribution de ces perturbateurs à la
déflexion de la lumière. Traditionnellement, la modélisation du lentillage par les halos en ligne de
visée s’est faite avec le formalisme du lentillage à plans multiples, qui souffre d’une nature récursive
peu efficace. De plus, il est prédit par le modèle ΛCDM que la majorité des systèmes de lentilles
gravitationnelles comporteraient davantage de halos en ligne de visée que de sous-halos imbriqués
dans la galaxie lentille, motivant une modélisation détaillée des effets de ligne de visée. Dans un
contexte d’analyse Bayésienne, l’approche du lentillage à plans multiples représente une échelle de
temps de plusieurs jours pour l’analyse d’un seul système. En considérant que des grands relevés
du ciel comme ceux de l’Observatoire Vera Rubin et du télescope spatial Euclid sont projetés de
découvrir des centaines de milliers de lentilles gravitationnelles, l’effort de contraindre la distribution
de matière sombre aux petites échelles se voit confronté à ce qui pourrait être un insurmontable
problème de temps de calcul. Dans ce mémoire, je présente le développement d’un nouveau formalisme de modélisation du
lentillage gravitationnel par halos en ligne de visée accéléré par des réseaux de neurones, motivé
par les lacunes du lentillage à plans multiples et l’importance scientifique de la modélisation de
ces effets. Les architectures de ces réseaux, conçues dans le cadre de ce travail, sont basées sur
le mécanisme d’attention, et peuvent être conditionnées sur des ensembles de modèles de halos en
ligne de visée afin de produire les angles de déflexion leur étant associés. Ce formalisme offre la
flexibilité requise pour remplacer celui du lentillage à plans multiples, laissant à l’usager la liberté
de spécifier un modèle de lentille principale et étant compatible avec des grilles de pixels de taille
quelconque. Notre formalisme permet d’accélérer la modélisation du lentillage de ligne de visée
par presque deux ordres de grandeur lorsque comparé au lentillage à plans multiples, et promet
d’atteindre une exactitude lui étant comparable dans des développements futurs. Il s’agit d’une
contribution significative à l’étude de la matière sombre aux petites échelles, qui permettra soit de
réconcilier ΛCDM et les observations, ou mènera à l’adoption d’un modèle cosmologique alternatif. / The current "standard model" of cosmology is that of ΛCDM, describing a Universe undergoing
accelerated expansion with a structure of cold dark matter formed into halos, onto which are
assembled galaxies. Despite the numerous observational confirmations of its predictions, there
remains some important tensions between measures of the distribution of dark structure on small
scales of the Universe and what would be expected from ΛCDM. However, these light dark matter
halos, predicted to be adundant throughout the cosmos, are not hosts of luminous galaxies and are
therefore very difficult to observe directly. Yet, their presence can still be detected in galaxy-galaxy
type strong gravitational lenses, a phenomenon occuring when the light of a background galaxy is
strongly deflected by the gravitational field of a foreground galaxy, forming multiple images and
extended arcs. Halos distributed along the line-of-sight of such systems, as well as those nested
within the lens galaxy, can introduce gravitational perturbations in images of lensed galaxies. The
detection of such infinitesimal effects in strong lensing observations is made with methods relying on
Bayesian statistics, which require hundreds of thousands of simulations of the contribution of these
perturbers to the deflection of light. Traditionally, modeling the lensing from line-of-sight halos
has been done with the multi-plane lensing framework, which suffers from its inefficient recursive
nature. Morevoer, the ΛCDM model predicts that most gravitational lens systems would host
a larger amount of line-of-sight halos than subhalos nested within the lens galaxy, motivating a
detailed modeling of line-of-sight effects. In a Bayesian analysis context, the multi-plane lensing
approach represents a timescale of multiple days for the analysis of a single system. Considering
that large sky surveys such as those of the Vera Rubin Observatory and the Euclid space telescope
are projected to discover hundreds of thousands of gravitational lenses, the effort of constraining
the small-scale distribution of dark matter is confronted to what might seem like an insurmountable
problem of computation time. In this thesis, I present the development of a new neural-network-accelerated framework for
modeling the gravitational lensing by line-of-sight halos, motivated by the shortcomings of multiplane lensing and the scientific importance of modeling these effects. The architectures of these
networks, conceived as part of this work, are based on the attention mechanism, and can be
conditioned on sets of line-of-sight halo models in order to produce their associated deflection
angles. This framework offers the flexibility required to replace that of multi-plane lensing, leaving
up to the user the freedom to specify a main lens model and being compatible with pixel grids of
any size. Our framework allows to accelerate the modeling of line-of-sight lensing by nearly two
orders of magnitude relative to multi-plane lensing, and promises to reach a comparable accuracy
in future developments. This constitutes a significative contribution to the study of dark matter on
small scales, which will either lead to the reconciliation of ΛCDM and observations, or the adoption
of an alternate cosmological model.

Identiferoai:union.ndltd.org:umontreal.ca/oai:papyrus.bib.umontreal.ca:1866/32725
Date04 1900
CreatorsWilson, Charles
ContributorsHezaveh, Yashar
Source SetsUniversité de Montréal
Languagefra
Detected LanguageFrench
Typethesis, thèse
Formatapplication/pdf

Page generated in 0.003 seconds