Soutenance de thèse de VINCIGUERRA Simone
Titre de thèse
exploiter l'information cosmologique complète des relevés de cisaillement cosmique
exploiting the full cosmological information of cosmic shear surveys
Résumé de la thèse
La nature de la matière noire et de l'énergie noire demeure l'une des plus grandes questions ouvertes de la physique. Le lentillage gravitationnel faible (WL), en particulier le cisaillement cosmique, en est l'une des sondes les plus puissantes, pleinement exploitable pour la première fois grâce à la profondeur et couverture sans précédent d'Euclid. L'estimateur standard du signal de cisaillement cosmique, la fonction de corrélation à deux points (2PCF), n'est optimal que si le champ de densité est gaussien. Or la distribution de matière actuelle est devenue fortement non gaussienne, laissant une part significative de l'information cosmologique inaccessible aux statistiques à deux points. Les statistiques d'ordre supérieur (HOS) visent à récupérer cette information en sondant les caractéristiques non gaussiennes du champ WL.
Dans ce cadre, j'ai dirigé l'analyse de prévisions cosmologiques de l'équipe HOWLS (Vinciguerra2026), référence scientifique et méthodologique de cette thèse et de la DR1 d'Euclid, répondant directement à l'objectif de la mission de percer la nature de la matière noire et l'expansion accélérée de l'Univers. Je démontre que les HOS améliorent les contraintes sur l'équation d'état de l'énergie noire jusqu'à un facteur 2,5 par rapport aux analyses à deux points standard. Ces gains demeurent robustes pour la DR1 : préservés selon différentes méthodes de reconstruction de masse, peu affectés par des masques réalistes, confirmant une extraction fiable en conditions réelles. Poursuivant ce travail, j'ai étendu la modélisation des HOS à des simulations lognormales peu coûteuses, accroissant leur polyvalence. J'ai aussi contribué à une étude co-écrite Vadala2026 montrant que les HOS surpassent les statistiques à deux points pour détecter la gravité modifiée, faisant progresser un autre objectif clé d'Euclid : tester la relativité générale à l'échelle cosmologique.
Ces travaux m'ont conduit à piloter la transition de HOWLS vers une analyse MCMC complète, dans l'article HOWLS SBI DR1, fondé sur l'inférence à vraisemblance explicite (ELI) : un émulateur entraîné sur simulations combiné à une vraisemblance analytique et une matrice de covariance. Ma contribution principale est le pipeline de post-traitement sur lequel reposera l'inférence future. J'ai caractérisé les propriétés des données réelles d'Euclid pour garantir la fidélité de nos simulations. J'appliquerai ensuite le pipeline HOWLS complet à la DR1, en position de produire une avancée sans précédent dans la compréhension des composantes les plus insaisissables de l'Univers.
Maximiser cette information exige toutefois une inférence précise et stable. L'ELI traditionnelle est vulnérable à la mauvaise estimation de la covariance, aux imprécisions de l'émulateur et à une non-gaussianité non modélisée, limites que la vraissemblance implicite (LFI), apprenant la relation observable-paramètre à partir des simulations via des estimateurs de densité neuronaux (NDE), est conçue pour surmonter. Dans Vinciguerra2026PISCO, j'ai comparé systématiquement l'ELI et la LFI dans un cadre de type Euclid DR3, montrant que la LFI est mieux calibrée, moins dépendante des hypothèses et plus robuste aux choix de compression, et démontrant pour la première fois que ses diagnostics peuvent signaler une mauvaise calibration de l'ELI. Ce travail alimente ma contribution au groupe Forward Modelling d'Euclid, où je calibre les NDE pour l'analyse LFI des HOS d'Euclid.
Au-delà de ces travaux, j'explore des approches d'apprentissage automatique pour de nouveaux estimateurs HOS, en validant un réseau de neurones convolutif au niveau de la carte de masse face aux contraintes à deux points, l'établissant comme alternative prometteuse pour des analyses réalistes.
En reliant innovation méthodologique et applications cosmologiques, cette recherche renforce le potentiel scientifique des relevés de cisaillement cosmique de Stage IV et fournit un cadre applicable aux futures sondes de précision.
Thesis resume
The nature of dark matter and dark energy remains one of the biggest open questions in physics. Weak gravitational lensing (WL), and in particular cosmic shear, is one of the most powerful probes of both, fully exploitable for the first time by the Euclid mission thanks to its unprecedented depth and sky coverage. The standard estimator of the cosmic shear signal is the two-point correlation function (2PCF), which is optimal only if the underlying matter density field is Gaussian. However, the present-day matter distribution has become highly non-Gaussian through non-linear structure formation, leaving a significant fraction of the cosmological information inaccessible to two-point statistics alone. Higher-order statistics (HOS) aim to recover this missing information by probing the non-Gaussian features of the WL field.
Within this framework, I led the preliminary Euclid forecast analysis of the Higher Order Weak Lensing Statistics (HOWLS) team parencite{Vinciguerra2026}, the scientific and methodological baseline for this thesis and Euclid DR1, directly addressing the mission's goal of uncovering dark matter and the Universe's accelerated expansion. I demonstrate that HOS can improve constraints on the dark energy equation-of-state parameter by up to a factor of 2.5 compared to standard two-point analyses. These gains remain robust for the DR1 configuration: they are preserved across different Euclid mass-mapping reconstruction methods and are only minimally affected by realistic survey masks, confirming that the additional non-Gaussian information can be reliably extracted under survey conditions. Building on this, I extended HOS modelling to cheap lognormal simulations, increasing their versatility for future analyses. I also contributed to a co-authored study parencite{Vadala2026} showing that HOS outperform two-point statistics in detecting modified gravity signatures, advancing another core Euclid science goal: testing the validity of General Relativity on cosmological scales.
These efforts led me to guide HOWLS's transition to a full, realistic MCMC-based analysis in the HOWLS SBI DR1 paper, built on explicit likelihood inference (ELI): a simulation-trained emulator combined with an analytic likelihood and covariance matrix. My main contribution is the post-processing measurement pipeline on which all future inference will be built. In this process, I characterized the properties of real Euclid data and ensure our simulations faithfully reproduce them. I will then apply the full HOWLS pipeline to DR1, poised for an unprecedented leap in understanding the Universe's most elusive components.
Maximising this information requires however accurate, stable inference. Traditional ELI is vulnerable to covariance misestimation, emulator inaccuracies, and unmodelled non-Gaussianity, limitations that likelihood-free inference (LFI), learning the observable-to-parameter mapping from simulations via neural density estimators (NDEs), is designed to overcome. In textcite{Vinciguerra2026PISCO}, I systematically compared ELI and LFI in a Euclid DR3-like setting, showing LFI to be better calibrated, less assumption-dependent, and more robust to compression choices, and demonstrating for the first time that LFI diagnostics can flag ELI miscalibration. This work feeds my contribution to the Euclid Forward Modelling group, where I calibrate NDEs for Euclid's LFI HOS analysis.
Beyond this, I explore machine-learning approaches for novel HOS estimators, validating a map-level convolutional neural network against two-point constraints and establishing it as a promising alternative for realistic analyses.
By bridging methodological innovation with cosmological applications, this research enhances the scientific return of Stage-IV cosmic shear surveys and provides a framework applicable to future precision cosmological probes.