Matter in the largest structures of the Universe : from galaxies to filaments, observations and data analysis

L'étude de l'évolution et de la composition des grandes structures de l'Univers, comme les amas de galaxies et les filaments cosmiques, est l'un des sujets de recherche les plus actifs en cosmologie. Au cours de ma thèse, j'ai analysé des relevés publiques multi-longueurs d'onde (SDSS, WISE, Planck), en utilisant des techniques d'analyse de données nouvelles comme l'apprentissage automatique ou les méthodes bayésiennes. Le but de mon travail était d'étudier la matière baryonique (gaz ionisé et chaud et galaxies) dans le milieu intra-amas, et dans la toile cosmique (ponts de matière et filaments cosmiques).Au cours de ma thèse, j'ai notamment développé un algorithme basé sur l'intelligence artificielle afin d'estimer les propriétés des galaxies, telles que le taux de formation des étoiles (SFR) et la masse stellaire dans la plage de redshift 0,050,5 ont été observés avec VLT/FORS2. L'analyse des ~3000 spectres obtenus est en cours et avec les données actuelles, nous confirmerons spectroscopiquement environ 10 amas avec près de 10 galaxies membres par amas.La quantité de gaz ionisé et chaud de la toile cosmique pourrait représenter environ 40% des baryons à bas redshift. Il est donc important d'utiliser des traceurs d'observation optimisés pour le gaz. Dans ce but, j'ai développé un algorithme d'apprentissage profond utilisant tout le potentiel des données Planck pour détecter l'effet SZ des amas de galaxies et du gaz chaud ionisé. J'ai entraîné un réseau neuronal convolutionnel sur les cartes de fréquence de Planck à reconnaître les amas sélectionnés en SZ, rayons X et optique. Avec ce modèle, j'ai généré une carte du ciel de SZ à faible bruit, dans laquelle j'ai détecté environ 10 fois plus de candidats que le premier catalogue Planck des sources SZ. J'ai montré que l'apprentissage profond semble être une approche prometteuse pour améliorer la carte SZ et pour détecter le gaz à faible pression dans la toile cosmique.Studying the evolution and the composition of the largest stuctures of the Universe, e.g., galaxy clusters and cosmic filaments, is one of the most challenging research topic in cosmology. During my phD thesis, I have analysed publicly available multi-wavelength surveys (namely SDSS, WISE, Planck), using new techniques in data analysis such as machine learning or Bayesian methods. The purpose of my work was to study the baryonic matter (hot gas and galaxies) in the intra-cluster medium, and in the cosmic web (bridges of matter between clusters of galaxies and cosmic filaments).During my thesis, I have developed an algorithm based on machine learning in order to estimate galaxy properties, such as star formation rate and stellar mass in the redshift range 0.050.5 were observed with VLT/FORS2. The analysis of the ~3000 obtained spectra is still ongoing and with the actual data, we expect the spectroscopic confirmation of about 10 galaxy clusters with about 10 members per clusters.The gas content of the cosmic web may account for about 40% of the baryons. Therefore, it is important to use optimised observational tracers of the gas. In this purpose, I have developed a deep learning algorithm using the full potential of the Planck data to detect the SZ effect tracing galaxy clusters and hot ionised gas. I have trained a convolutional neural network on the Planck frequency maps to recognize clusters selected in tSZ, X-rays, and optical. With this trained model I have generated a full-sky map of low noise SZ signal, in which I have detected about 10 times more candidates than the first Planck catalogue of SZ sources. I have shown that deep learning seems a promising approach to improve the y-map and detect smaller pressure halos and diffuse gas in the cosmic web