Simulateur Spectroscopie sans fente intelligent pour la cosmologie – DlSPERS

Depuis la découverte de l'accélération de l'expansion de l'Univers, le modèle de concordance décrit l'Univers comme étant composé de matière ordinaire, de matière noire froide et d'énergie noire. Cependant, la nature des composantes sombre de l'Univers reste inconnue et leur identification constitue l'un des plus grands défis de la physique contemporaine. Les prochains relevés massifs de galaxies poseront des contraintes strictes sur les modèles théoriques décrivant l'Univers. Afin de préparer ces futures missions ainsi que pour valider la réduction des données et les analyses cosmologiques, la simulation d'images réalistes du ciel est d'une importance capitale. Cependant, pour remplir leurs objectifs, ces simulations nécessitent un nombre massif d'images qui doivent être simulées dans des conditions différentes (différents paramètres instrumentaux, différentes cosmologies), difficilement atteignable sur une échelle de temps raisonnable malgré la puissance de calcul dont nous disposons.
Notre proposition vise à tirer parti des dernières avancées en matière de machine learning dans le but de développer un simulateur d'image du ciel réaliste, se reposant sur un modèle physique de la réponse instrumentale. En effet, l'utilisation de méthodes d'apprentissage automatique pourrait grandement améliorer les capacités de calcul. Un tel outil offrirait également la possibilité de mettre en place des modèles récurrents qui apporteraient une amélioration de l'étalonnage des instruments pour aboutir à une meilleur précision sur les paramètres cosmologiques. Ce projet se focalise sur la spectroscopie sans fente de l'instrument NISP. Néanmoins il est innovateur en apportant de nouvelles méthodes pour la simulation des grands relevés spectroscopique car, à notre connaissance, l'utilisation de méthodes d'apprentissages automatiques dédiées à la simulation d'observation en spectroscopie sans fente n'a encore jamais été réalisée.