Generative modeling for weak lensing inverse problems
Author:
- 8 April 2026
- thesis
- Published by Agence Bibliographique de l'Enseignement Supérieur
Abstract
Modèles génératifs pour problèmes inverses de lentille gravitationnelle faible: Le lentillage gravitationnelle, qui génère un effet de déformation des images de galaxies lointaines à travers l'influence de densités de matières massives dans la ligne de visée, est très prometteur pour répondre aux questions relatives à la matière noire et à l'énergie sombre. Cet effet permet de sonder directement la distribution de matière noire dans l'Univers, qui est invisible autrement. Dans le régime où ces déformations sont faibles, il est possible de cartographier la distribution de matières projetées dans la ligne de visée, appelée carte de masse, à partir de la mesure de la déformation d'un grand nombre de galaxies. Cependant, la reconstruction de ces cartes de masse est un problème inverse qui est mal posé, à cause de données manquantes et de bruits dans le signal mesuré, et nécessite donc de l'information à priori pour être résolu. L'objectif principal de cette thèse est d'utiliser les récentes avancées sur les modèles génératifs qui permettent de modéliser des distributions complexes dans des espaces de très haute dimension. Nous proposons en particulier une nouvelle méthode pour résoudre les problème inverses de hautes dimensions et mal posés en en caractérisant la distribution a posteriori complète. En apprenant la distribution a priori à partir de de simulations cosmologiques, nous pouvons reconstruire des cartes de masses de très hautes résolution, y compris aux petites échelles, tout en en quantifiant les incertitudes associées. L'objectif principal de cette thèse est d'utiliser les récentes avancées sur les modèles génératifs qui permettent de modéliser des distributions complexes dans des espaces de très haute dimension. Nous proposons en particulier une nouvelle méthode pour résoudre les problèmes inverses de haute dimension et mal posés en en caractérisant la distribution a posteriori complète. En apprenant la distribution a priori à partir de simulations cosmologiques, nous pouvons reconstruire des cartes de masse de très haute résolution, y compris aux petites échelles, tout en en quantifiant les incertitudes associées. De plus, nous présentons une nouvelle méthode de mesure du cisaillement gravitationnel en créant un modèle décrivant les données observées au niveau des pixels. Contrairement aux méthodes standards, cette méthode ne repose pas sur la mesure d'ellipticité des galaxies et introduit donc un nouveau paradigme pour la mesure du cisaillement gravitationnel. Nous proposons en particulier un modèle hiérarchique Bayésien, avec des composantes génératives apprises et des composantes analytiques physiques. Nous montrons que cela permet de résoudre le biais de modèles dans l'estimation du cisaillement gravitationnel.Keywords
This publication has 95 references indexed in Scilit:
- Regularisation of neural networks by enforcing Lipschitz continuityMachine Learning, 2020
- DeepSphere: Efficient spherical convolutional neural network with HEALPix sampling for cosmological applicationsAstronomy and Computing, 2019
- Group Normalization2018
- Fast sampling from Wiener posteriors for image data with dataflow enginesAstronomy and Computing, 2018
- scarlet: Source separation in multi-band images by Constrained Matrix FactorizationAstronomy and Computing, 2018
- U-Net: Convolutional Networks for Biomedical Image Segmentation2015
- L3CCD’s: Low Readout Noise CCDs in Astronomy2004
- Reverse-time diffusion equation modelsStochastic Processes and their Applications, 1982
- A new inflationary universe scenario: A possible solution of the horizon, flatness, homogeneity, isotropy and primordial monopole problemsPhysics Letters B, 1982
- ber die Kr mmung des RaumesThe European Physical Journal A, 1922