Mesure de l'évolution du taux d'expansion de l'Univers à l'aide de la combinaison des relevés de supernovae ZTF, SNLS et Subaru

Les supernovae de type Ia sont des évènements transitoires causés par l'explosion de naines blanches carbone-oxygène. Elles sont caractérisées par une évolution de leur luminosité autosimilaire, ce qui en fait d'excellentes sondes pour estimer les distances cosmologiques. Ce travail de thèse s'inscrit dans le cadre de l'expérience LEMAITRE. LEMAITRE est une analyse indépendante mettant en jeu trois nouveaux relevés de supernovae. En combinant les mesures spectrophotométriques des relevés ZTF (2686 SN à 0 ≤ z ≤ 0.2), SNLS (388 SN à 0.2 ≤ z ≤ 1.1) et HSC (265 SN à 0.3 ≤ z ≤ 1.6), son objectif est de produire un avis indépendant sur la tension (w_0, w_a). Cette tension a été mise en valeur par la collaboration DESI, DES et UNION3, qui ont montré que la direction de la tension était dominée par les données de supernovae avec lesquelles sont combinées les BAO. De plus, le pipeline d'analyse a été entièrement réécrit et simplifié, le rendant rapide et facile d'utilisation. Cela permet d'améliorer la reproductibilité des résultats et de faciliter la caractérisation des systématiques liées à la mesure des distances. En particulier, les relevés de supernovae de type Ia sont affectés par un biais de sélection appelé « biais de Malmquist ». L'observation préfentielle des supernovae intrinsèquement plus brillantes (correspondant aux objets plus bleus et plus lents) à une certaine distance diminue la magnitude apparente moyenne de la population de supernovae à haut redshift et crée un biais négatif sur les distances. La manière standard de corriger ce biais est de mesurer la relation biais-redshift à partir de simulations extensives. Cette méthode présente deux inconvénients majeurs. D'une part, ces simulations sont coûteuses en temps et ressources de calcul de par leur taille et leur nombre, demandant un compromis entre vitesse et précision. D'autre part, il n'est pas trivial de propager correctement les incertitudes sur la correction du biais à l'estimateur de distances. Ces erreurs sont donc approximées ou bien négligées. L'« Estimateur de Distance pour les Relevés Incomplets de Supernovae » EDRIS a été développé au cours de cette thèse en tant que solution alternative. EDRIS propose une approche innovante reposant sur un estimateur du maximum de vraisemblance pour corriger l'estimateur de distances des effets de sélection. En incluant directement la troncature des données dans le modèle statistique, il est possible d'estimer simultanément la fonction de sélection des relevés, les paramètres de standardisation et la dispersion intrinsèque des supernovae, ainsi que des distances non-biaisées en maximisant une unique fonction de vraisemblance. Aussi, l'incertitude sur les paramètres estimés est calculée en une seule étape en inversant la matrice Hessienne de la fonction de vraisemblance, ce qui facilite la propagation des erreurs. Enfin, l'utilisation de JAX (une librairie python pour l'autodifférentiation et le calcul à grande échelle) et de décompositions rapides de matrices permettent à EDRIS de rester tractable numériquement en vue de l'augmentation par 10 de la statistique disponible. Dans la première partie de ce manuscrit, une vue d'ensemble du modèle standard de la cosmologie (nommé Λ-CDM), de la physique des supernovae de type Ia et de l'expérience LEMAITRE est proposée. Dans une seconde partie, nous détaillons la méthode EDRIS, comprenant le calcul de la fonction de vraisemblance, l'estimation des différents paramètres et l'implémentation numérique. Enfin, nous appliquons la méthode à des mocks réalistes représentatif de l'échantillon LEMAITRE et quantifions l'efficacité de notre correction de biais en fonction du redshift. Nous montrons également comment se comporte EDRIS face aux données réelles blindées de LEMAITRE.