Thématique : Cosmologie observationnelle Vingt ans après la découverte de l'accélération de l'expansion de l'univers par des mesures avec les supernovas, la sonde supernovas reste l'un des moyens les plus précis pour mesurer les paramètres de cette période récente de l'histoire de notre univers dominée par ce qu'on appelle l'énergie noire. L'observatoire Rubin avec le relevé Large Survey of Space and Time (Rubin/LSST) sera mis en service en 2025 et débutera officiellement fin 2025. Il s'agit d'un télescope de 8,4 mètres doté d'une caméra de 3,2 milliards de pixels, la plus puissante jamais construite. Ce télescope prendra une photo de la moitié du ciel toutes les trois nuits pendant dix ans. Ce sondage permettra de mesurer des milliards de galaxies avec une grande précision et de suivre la variation dans le temps de tous les objets transitoires. Avec de nombreuses autres études astrophysiques, ce sera une machine très puissante pour déterminer les paramètres cosmologiques à l'aide de nombreuses sondes différentes et, en particulier, elle imposera de fortes contraintes sur la nature de l'énergie noire. Le projet LSST vise à découvrir jusqu'à un demi-million de supernovae. Cette amélioration de deux à trois ordres de grandeur statistique par rapport à l'ensemble des données actuelles permettra de tester précisément les paramètres de l'énergie noire, de tester la relativité générale et imposera également de nouvelles contraintes sur l'isotropie de l'univers. Au cours de la thèse, nous proposons de préparer puis de participer à l'analyse des premières supernovae de Rubin/LSST. La préparation se fera en utilisant les données HSC/Subaru existantes, et les premières images du télescope Rubin. L'étudiant.e participera à la mise en service de Rubin/LSST. Elle/Il aura en charge de poursuivre les développements des méthodes de deep learning pour l'identification des supernovae et de les mettre en application sur les premières images. Elle/Il participera ensuite aux premières analyses utilisant les supernovae qu'elle/il aura contribué à identifier. Le groupe LSST du CPPM est déjà impliqué dans la photométrie de précision pour LSST, avec une implication directe dans la validation des algorithmes au sein de DESC/LSST [1][2][3], et a proposé une nouvelle méthode d'apprentissage profond pour améliorer l'identification photométrique des supernovas [4] et les redshifts photométriques [5]. [1] https://www.lsst.org/content/lsst-science-drivers-reference-design-and-anticipated-data-products [2] https://arxiv.org/abs/1211.0310 [3] https://www.lsst.org/about/dm [4] https://arxiv.org/abs/1901.01298 [5] https://arxiv.org/abs/1806.06607 [6] https://arxiv.org/abs/1401.4064 |