Extraction d'information cosmologique de l'Univers tardif : amas de galaxies et structures à grande échelle

L'objectif principal de la cosmologie observationnelle est de trouver un modèle capable de prédire toutes nos observations à l'aide d'un seul ensemble de paramètres cosmologiques. L'actuel modèle standard de la cosmologie, le modèle ΛCDM, est très performant, mais certaines tensions subsistent entre les observations de l'Univers primitif à travers le CMB et les observations de l'Univers tardif. L'une de ces tensions, la tension S₈, est due au fait que les structures à grande échelle que nous observons dans notre Univers tardif ne correspondent pas à l'extrapolation faite avec le modèle ΛCDM à partir des mesures du CMB. Dans cette thèse, nous nous concentrons sur deux sondes de la distribution de la matière dans l'Univers tardif : les relevés de lentille gravitationnelle faible (LG) et les relevés d'amas de galaxies.Les relevés de LG sondent le champ de densité de la matière en détectant les faibles distorsions que son potentiel gravitationnel provoque dans les images des galaxies d'arrière-plan. La détection du signal est complexe en raison de la faible ampleur de l'effet, de l'ordre du pourcentage, mais son analyse est également difficile en raison de l'évolution non-linéaire du champ de densité. Les échelles plus petites sondées par les relevés WL contiennent des informations non-Gaussiennes qui ne peuvent être extraites par les méthodes de corrélation à deux points. Ce problème sera exacerbé avec les relevés de nouvelle génération qui sonderont des échelles plus petites que les études actuelles. Cela a conduit au développement de méthodes capables d'extraire des informations non-Gaussiennes, comme les approches basées sur le deep-learning. Bien qu'elles soient prometteuses, leur aspect "boîte noire" empêche leur adoption à grande échelle. Dans la première étude présentée dans cette thèse, nous nous concentrons sur l'interprétabilité de ces méthodes de deep-learning. Nous proposons une méthode pour évaluer l'importance relative dans le processus d'inférence de certaines structures, en utilisant diverses dégradations de données. Nous trouvons que les performances du réseau neuronal convolutif sont les meilleures lorsqu'il a accès à la fois à des informations Gaussiennes et non-Gaussiennes. Les structures à la limite entre les régimes linéaires et non linéaires, autour de 8 à 12 Mpc/h, et les pics dans la distribution de la matière sont particulièrement importants dans son processus d'inférence.Les amas de galaxies sont un autre moyen d'étudier le champ de densité. En tant que pics les plus importants dans la distribution de matière, leur abondance en fonction de la masse et du redshift est sensible à la cosmologie sous-jacente. Actuellement, la calibration de masse est le facteur limitant des relevés d'amas. Dans la deuxième étude présentée dans cette thèse, nous actualisons la calibration de masse des amas Planck à l'aide de nouveaux échantillons de calibration, et nous dérivons des contraintes plus strictes, mais cohérentes avec l'analyse originale. Dans la troisième étude, nous proposons une calibration interne de la masse des amas Planck avec des données de LG à grand champ, afin de préparer l'échantillon pour les prochaines relevés de LG de phase IV. Nous trouvons des contraintes cohérentes avec l'étude précédente et l'analyse originale. Enfin, dans la quatrième étude, nous comparons nos résultats avec les analyses de deux autres échantillons d'amas, du South Pole Telescope et d'eROSITA. Nous traduisons les différences entre les paramètres cosmologiques en observables liés aux amas de galaxies. Nous trouvons que l'obtention de la cosmologie eROSITA avec notre pipeline d'analyse Planck nécessiterait 2.5 fois plus d'amas dans l'échantillon. Dans l'ensemble, les contraintes obtenues avec les amas Planck dans cette thèse sont cohérentes avec la plupart des sondes de l'Univers tardif, donnant S₈≃0.79, ce qui est inférieur à la valeur S₈=0.830 ±0.013 obtenue avec le CMB Planck.