Cartographie des baryons dans les amas de galaxies au moyen de l'intelligence articifielle.
Cosmological mapping of X-ray baryons in galaxy clusters using artificial intelligence.
Candidature avant le
19/04/2024
Durée
6 mois
Poursuite possible en thèse
oui
Contact
PIERRE Marguerite
+33 1 69 08 34 92
Résumé/Summary
Le stage vise à étudier les propriétés du gaz intra-amas en fonction de la distribution sous-jacente de matière noire.
On utilisera un réseau de neurones entrainé sur des simulations numériques afin, en particulier, de comprendre si les propriétés locales du gaz dépendent de la cosmologie et du redshift.
On utilisera un réseau de neurones entrainé sur des simulations numériques afin, en particulier, de comprendre si les propriétés locales du gaz dépendent de la cosmologie et du redshift.
The internship aims at the study of the intracluster gas, as a function of the unerdlying dark matter distribution.
We shall use a neural network trained on numerical simulations to investigate whether le local gas properties depend on the cosmology and redhsift.
We shall use a neural network trained on numerical simulations to investigate whether le local gas properties depend on the cosmology and redhsift.
Sujet détaillé/Full description
Les amas de galaxies sont les entités les plus massives de l’univers.
Pour cette raison, ils constituent une sonde cosmologique importante à côté du CMB, des supernovae et BAO. L’émission en rayons X des amas nous renseigne sur la physique baryonique du gaz intra-amas qui joue un rôle clef dans la modélisation de la formation des grandes structures de l’univers.
Le but du stage est de cartographier et d’étudier la dépendance des propriétés du gaz intra-amas en fonction de la distribution de la matière noire sous-jacente. Au lieu d’utiliser le formalisme habituel des lois d’échelle pour relier les propriétés X à la masse des amas, nous avons développé un formalisme (ASpiX) qui encode la population des amas en fonction de leurs couleurs X. Ainsi, nous pouvons inférer les paramètres cosmologiques selon le principe du ‘forward modelling’, en réduisant au moins d’un facteur 6 le nombre des paramètres libres liés à la physique des amas, et en ayant accès directement à l’énergie insufflée par les AGN dans le milieu intra-amas.
Note but est d’entrainer un réseau d’apprentissage profond (par ex. un réseau conditionnel de diffusion) pour apprendre la relation entre les halos de matière noire et les baryons, en utilisant des simulation hydrodynamiques (par ex. CAMELS). Alors que la structure des halos dépend de la cosmologie et du redshift, nous voulons tester l’hypothèse que la densité et la température du gaz à une position donnée ne dépendent que des propriétés de la matière noire environnante. Ceci est un point névralgique qui sera testé avec soin, car cela permettrait de simplifier considérablement l’analyse cosmologique ultérieure.
Dans un second temps, la cartographie des baryons ainsi formulée nous permettra de traduire en bande X, des ‘cônes de lumière’ constitués par les halos de matière noire pour différentes cosmologies et valeurs du feedback des AGN. Ceci constitue une étape majeure vers l’inférence des paramètres cosmologiques d’après la population des amas de galaxies observée en rayons X.
Pour cette raison, ils constituent une sonde cosmologique importante à côté du CMB, des supernovae et BAO. L’émission en rayons X des amas nous renseigne sur la physique baryonique du gaz intra-amas qui joue un rôle clef dans la modélisation de la formation des grandes structures de l’univers.
Le but du stage est de cartographier et d’étudier la dépendance des propriétés du gaz intra-amas en fonction de la distribution de la matière noire sous-jacente. Au lieu d’utiliser le formalisme habituel des lois d’échelle pour relier les propriétés X à la masse des amas, nous avons développé un formalisme (ASpiX) qui encode la population des amas en fonction de leurs couleurs X. Ainsi, nous pouvons inférer les paramètres cosmologiques selon le principe du ‘forward modelling’, en réduisant au moins d’un facteur 6 le nombre des paramètres libres liés à la physique des amas, et en ayant accès directement à l’énergie insufflée par les AGN dans le milieu intra-amas.
Note but est d’entrainer un réseau d’apprentissage profond (par ex. un réseau conditionnel de diffusion) pour apprendre la relation entre les halos de matière noire et les baryons, en utilisant des simulation hydrodynamiques (par ex. CAMELS). Alors que la structure des halos dépend de la cosmologie et du redshift, nous voulons tester l’hypothèse que la densité et la température du gaz à une position donnée ne dépendent que des propriétés de la matière noire environnante. Ceci est un point névralgique qui sera testé avec soin, car cela permettrait de simplifier considérablement l’analyse cosmologique ultérieure.
Dans un second temps, la cartographie des baryons ainsi formulée nous permettra de traduire en bande X, des ‘cônes de lumière’ constitués par les halos de matière noire pour différentes cosmologies et valeurs du feedback des AGN. Ceci constitue une étape majeure vers l’inférence des paramètres cosmologiques d’après la population des amas de galaxies observée en rayons X.
Clusters of galaxies are the largest entities in the universe. For this reason, they constitute an important cosmological probe complementary to the CMB, supernovae and BAO. The X-ray emission of clusters provides insights into baryonic physics which plays pivotal role in our modelling of mass assembly over cosmic time. The goal of the internship is to map and study the dependence of the cluster baryon properties on the density of the underlying dark matter. Instead of using traditional scaling relations to connect the X-ray properties to the cluster masses, we have developed a formalism (ASpiX) to encode the cluster population using X-ray colors. From this, a forward-modelling formalism allows us to infer the cosmological parameters, reducing the number of cluster-dependent free parameters by a factor of 6 or more and giving directly access to the energy input from AGN.
Our aim is to train a deep learning model (e.g., a conditional diffusion network) to learn the relationship between dark matter halos and baryons using cosmological hydrodynamical simulations (CAMELS). While the structure of the DM halos depends on cosmology and redshift, we hypothesize that the cluster gas density and temperature, at a given position, only depends on the surrounding DM properties; this is a key point to be thoroughly explored, since it would drastically streamline the cosmological analysis.
The learned baryon mapping will be used, in turn, to produce ‘X-ray lightcones’ as a function of cosmology and AGN feedback: marking an instrumental step towards the cosmological inference of an observed X-ray cluster population.
Our aim is to train a deep learning model (e.g., a conditional diffusion network) to learn the relationship between dark matter halos and baryons using cosmological hydrodynamical simulations (CAMELS). While the structure of the DM halos depends on cosmology and redshift, we hypothesize that the cluster gas density and temperature, at a given position, only depends on the surrounding DM properties; this is a key point to be thoroughly explored, since it would drastically streamline the cosmological analysis.
The learned baryon mapping will be used, in turn, to produce ‘X-ray lightcones’ as a function of cosmology and AGN feedback: marking an instrumental step towards the cosmological inference of an observed X-ray cluster population.
Mots clés/Keywords
cosmologie - simulations numeriques - X-ray astronomy
cosmology - numerical simulations - X-ray astronomy
Compétences/Skills
Réseaux de neurones / réseaux conditionnel de diffusion
Logiciel d’émission X
Neural network / conditional diffusion network
X-ray emission code
Logiciels
Python
