Les amas de galaxies sont les entités les plus massives de l’univers.
L’application de l’intelligence artificielle à l’analyse cosmologique de relevés d’amas en rayons X permet d’aborder cette problématique sous un angle totalement novateur. Ce sont les paramètres directement observables (redshift, flux et couleurs X) qui sont utilisés en apprentissage profond sur des simulations hydrodynamiques ; ceci permet d’établir une correspondance implicite avec la distribution de masse sous-jacente. De là, il est possible d’inférer les paramètres cosmologiques, sans calcul explicite de la masse des amas et sans formalisme empirique reliant les propriétés X à la masse.
Le but de la thèse est d’appliquer cette méthode, développée au DAP, au survey XMM-XXL qui est à ce jour le seul échantillon d’amas du satellite XMM avec effets de sélection contrôlés (~ 400 objets). Cette méthode originale constituera, 24 ans après le lancement d’XMM, une première dans la cosmologie observationnelle.