Caractérisation de l'énergie noire : développement d'une nouvelle génération de modélisation spectrophotométrique empirique des supernovæ de type Ia

In the late 90’s, the use of Type Ia supernovae (SNe Ia) as luminosity distance indicators led to the discovery of the accelerated expansion of the Universe. The origin of the acceleration are not understood yet. It may be due to the presence of a repulsive fluid of unknown nature (Dark Energy) or to the fact that General Relativity is incorrect at cosmological scales. An ambitious observational effort has been started, to understand the nature of Dark Energy. It will culminate in the 2020’s with no less than four dedicated surveys (two ground surveys and two space surveys). SNe Ia are a major probe in this program, the redshift-luminosity distance relation being extremely sensitive to the Dark Energy equation of state (w = p/ρ). As of today, w is measured with a precision of a few pecents. The next generation of survets will produce O(10 4 ) SNe, which will allow to reach a precision of ∼ 1% on the measurement of w and ∼ 10% on the potential variations of w with redshift. This result was possible, firstly thanks to the quality and the large number of observations that have been taken since the discovery, but also thanks to the development of more and more efficient analysis tools, which allow a fine control of systematics. An essential tool to measure distances using SNe Ia is an empirical spectrophotometric model of their flux evolution with their phase (time with respect to peak luminosity). The goal of this model is to infer, from the SN light curves measured in observer frame, the peak SN flux in a standard band, in the SN restframe. Another gial is to measure, still from the SN lightcurves, standardization observables, which are correlated with SN peak absolute luminosity. Building on these correlations, it is possible to descrease significantly the SN-to-SN dispersion in the Hubble diagram. The model is built empirically. It is trained on good quality data, constituting the training set. They currently contain about a thousand SNe but with the advent of future SNe surveys, the number of objects will increase by one to two orders of magnitude. In this thesis work, we have developped a new generation spectrophotometric model called NaCl for Nouveaux algorithmes de Courbes de lumière, based on the SALT2 parameterization. We have developed a fast model training code, written in a modern programming language (python), that can be trained on tens of thousands of SNe. The minimization procedure allows one to conduct a direct propagation of the model and measurement uncertainties, notably the calibration uncertainties affecting each survey. The biases and the efficiency of the method have been studied and characterized on realistic simulations we have developed When designing the code, we have been careful to separate the model from the minimization framework, in order to make it easy to explore alternatives to SALT2, in particular, higher dimensionality parametrizations of the SN Ia diversity.À la fin des années 90, l’utilisation des supernovæ de type Ia (SNe Ia) comme indicateurs de distance a permis la découverte de l’accélération de l’expansion de l’Univers. L’origine de ce fait observationnel est encore mal comprise. Elle est attribuée soit à l’action d’un fluide répulsif de nature inconnue appelé Énergie Noire, soit au fait que la relativité générale est incorrecte aux échelles cosmologiques. La communauté a lancé un programme observationnel ambitieux pour cerner la nature de l’énergie noire qui culminera dans les années 2020, avec quatre relevés dédiés (deux au sol et deux menés depuis l’espace). Le diagramme de Hubble des SNe Ia est un élément majeur de ce programme, la relation distance de luminosité vs. redshift étant particulièrement sensible à l’équation d’état de l’énergie noire w = p/ρ. Actuellement, w est mesuré avec une précision de quelques pourcents. La prochaine génération de relevés produira plusieurs dizaines de milliers de SNe, ce qui permettra d’atteindre une précision de l’ordre du pourcent et de détecter une éventuelle variabilité de w avec le redshift. Ce résultat est atteignable, d’abord grâce à l’augmentation de la taille des échantillons de SNe Ia et de la qualité de leur suivi mais aussi grâce au contrôle fin des systématiques d’analyses, via le développement d’outils de plus en plus efficaces. Un outil indispensable pour mesurer des distances aux SNe Ia est un modèle empirique spectrophotométrique de l’évolution de leur flux. Il a pour but d’inférer, à partir des courbes de lumière mesurées dans notre référentiel, le flux de chaque supernova dans son référentiel propre. Un second but est la mesure d’observables de standardisation corrélées à la luminosité absolue des SNe. L’exploitation de ces corrélations permet de réduire la dispersion des résidus du diagramme de Hubble. Le principal modèle actuellement utilisé par la communauté est le modèle SALT2 (Spectral Adaptative Light curve Template 2 ). Le modèle est construit empiriquement, il est entraı̂né sur des données de bonne qualité, constituant le lot d’entraı̂nement. Les lots d’entraı̂nements actuels contiennent de l’ordre de mille SNe. Cependant, avec l’avènement des futurs relevés de SNe, le nombre d’objet va augmenter d’un à deux ordres de grandeur. Durant cette thèse nous avons développé une nouvelle génération de modèle spectrophotométrique, appelée NaCl pour Nouveaux algorithmes de Courbes de lumière. Nous sommes repartis de la paramétrisation de SALT2. Nous avons développé un code d’entraı̂nement rapide, écrit dans un langage de programmation moderne (python3), permettant un entraı̂nement sur des dizaines de milliers de SNe en un temps raisonnable. La procédure de minimisation permet une propagation directe des incertitudes affectant les mesures et le modèle, notamment les incertitudes de calibration photométrique de chaque relevé. Les biais et l’efficacité de la méthode ont été étudiés et caractérisés. Nous avons pris soin de séparer la procédure de minimisation et la modélisation du flux des SNe, afin de pouvoir facilement revisiter la paramétrisation de SALT2, et rendre possible l’implémentation de modèles alternatifs