Etude des biais cosmologiques induits par les variabilités nouvelles détectées sur les supernovas de type la

Distances measured using Type Ia supernovae (SNIa) are an excellent way of constraining the equation of state of the dark energy. However, the brightnesses of these SNIa have variabilities due to internal mechanisms or environmental effects that have to be accounted for. Empirical models of the SNIa spectral energy distribution can be employed to standardize these objects. One of the most efficient of such models is the Spectral Adaptative Light-curve Template 2 (SALT2) developed by Guy et al. (2007). This model uses a standardization based on stretch and color, which are the best known sources of variability in SNIa. A new model called SUpernova Generator And Reconstructor (SUGAR) was proposed by Léget et al. (2020), who showed with the help of the data from the " Nearby Supernova Factory" , that two new sources of variability have to be taken into account. In this thesis, we aim to verify the impact of these new variabilities on the cosmological analysis by fitting the SNIa light curves with SUGAR and using these parameters for standardisation. In addition, we also propose a method to use SUGAR to fit the SNIa light curves at high redshift. We will use this method to obtain preliminary results on fitting a Hubble diagram on the data set of The Joint Light-curve Analysis (Bétoule et al. 2014). We have shown that with this method we are able to obtain similar results to SALT2 for fitting these light curves which encourages SUGAR re-training with high redshift data.La mesure de distances à l'aide des supernovas de type Ia (SNIa) est un excellent moyen pour contraindre l'équation d'état de l'énergie sombre. Cependant, la luminosité de ces SNIa présentent des variabilités dues à des mécanismes internes ou à des effets environnementaux dont il faut tenir compte lors de la détermination de ces distances. Des modèles empiriques de distribution spectrale en énergie pour les SNIa peuvent être utilisés pour standardiser ces objets. Le modèle le plus efficace à l'heure actuel est le modèle SALT2 (Spectral Adaptative Light-curve Template 2) développé par Guy et al. (2007). Ce modèle utilise une standardisation basée sur le stretch et la couleur, qui sont les deux sources de variabilité les plus connues pour les SNIa . Un nouveau modèle appelé SUpernova Generator And Reconstructor (SUGAR) a été proposé par Léget et al. (2020) qui a montré à l'aide des données de « The Nearby Supernova Factory » l'existance de deux nouvelles sources de variabilité. Dans cette thèse, nous cherchons à vérifier l'impact de ces nouvelles variabilités sur l'analyse cosmologique en ajustant les courbes de lumière de SNIa avec SUGAR et en utilisant ces paramètres pour la standardisation. De plus, nous proposons également une méthode pour utiliser SUGAR pour ajuster les courbes de lumière de SNIa à haut redshift. Nous utiliserons cette méthode pour obtenir des résultats préliminaires sur l'ajustement d'un diagramme de Hubble sur le lot de données de The Joint Light-curve Analysis (Bétoule et al. 2014). Nous avons ainsi montré qu'avec cette méthode nous parvenons à obtenir des résultats similaires à SALT2 pour l'ajustement de ces courbes de lumière ce qui encourage un ré-entraînement de SUGAR avec des données à haut redshift