Thèse Etude de la Dynamique du Gaz Intra-Amas par Spectroscopie X et Analyses Bayésiennes H/F

Doctorat_Gouv

Établissement : Université de Toulouse
École doctorale : SDU2E - Sciences de l'Univers, de l'Environnement et de l'Espace
Laboratoire de recherche : IRAP - Institut de Recherche en Astrophysique et Planetologie
Direction de la thèse : Didier BARRET ORCID 0000000203939190
Début de la thèse : 2026-10-01
Date limite de candidature : 2026-06-01T23:59:59

Le milieu intra-amas (ICM) des amas de galaxies est un plasma chaud émettant fortement en rayons X, et dont la dynamique interne joue un rôle clé dans les processus de chauage, de refroidissement et de rétroaction (feedback) au coeur des amas. En particulier, la turbulence de l'ICM est un ingrédient essentiel pour comprendre l'équilibre thermique des amas, la dissipation d'énergie injectée par les trous noirs supermassifs des galaxies centrales, ainsi que l'assemblage des structures à grande échelle à travers l'histoire cosmique. Malgré son importance, la caractérisation précise de la turbulence dans l'ICM reste un dé majeur des observations actuelles.

Jusqu'à présent, les observations des satellites XMM-Newton et Chandra ont permis de contraindre indirectement la turbulence via l'analyse statistique des uctuations de brillance de surface de l'ICM. Cependant, l'arrivée récente de la mission XRISM, orant des mesures directes de la dispersion de vitesse grâce à la spectroscopie X à haute résolution, ouvre une nouvelle ère pour l'étude directe et quantitative de la turbulence dans les amas de galaxies. Cette thèse exploitera ces deux approches complémentaires an de mieux caractériser les propriétés statistiques de la dynamique dans l'ICM et d'en tester la cohérence physique.

Les travaux de ce projet de thèse s'articuleront autour de deux axes principaux.

1. Caractérisation spectrale de la turbulence de l'ICM à partir des données XRISM :L'étudiant(e) exploitera les données de XRISM (publiques et propriétaires) pour mesurer la dispersion de vitesse dans un échantillon d'amas de galaxies proches. L'objectif sera d'aller au-delà des études individuelles et de contraindre un spectre de puissance moyen de la turbulence dans l'ICM sur des échantillons d'amas. Une attention particulière sera portée à l'amas du Phénix, en collaboration avec des experts internationaux du domaine, en combinant des observations à haute résolution XRISM et XMM-Newton/RGS an d'étudier les liens entre turbulence, refroidissement et activité du coeur de l'amas. Une seconde étape sera d'établir et d'étalonner la relation entre la turbulence inférée indirectement à partir des uctuations de surface (XMM-Newton, Chandra) et les mesures directes de dispersion de vitesse fournies par XRISM.

2. Analyses bayésiennes et apprentissage automatique de la spectroscopie X à haute résolution des amas :L'avènement de la spectroscopie X à haute résolution (avec XRISM et, plus tard, NewAthena/X-IFU, dont l'IRAP a la responsabilité scientique) constitue un changement majeur par rapport aux approches classiques à résolution modérée, et appelle au développement de nouvelles méthodes d'analyse capables d'exploiter pleinement la richesse des données spectrales. Les observations RGS et XRISM seront analysées dans un cadre bayésien avancé par l'étudiant(e), qui contribuera au développement, à la validation et à l'implémentation de techniques d'inférence basées sur les simulations et d'apprentissage automatique, an de modéliser nement les spectres X et an d'optimiser l'extraction et la quantication de l'information physique qu'ils contiennent. Ces travaux s'appuieront notamment sur le code SIXSA, en développement à l'IRAP, et s'eectueront en collaboration avec les experts de l'équipe.

Cette thèse orira une formation complète à la spectroscopie X à haute résolution, à la modélisation statistique avancée et aux méthodes modernes d'inférence, au coeur des enjeux actuels de l'astrophysique des amas de galaxies. Elle s'inscrit à plus long terme dans le cadre de la préparation de l'instrument X-IFU du futur observatoire en rayons X de l'ESA, NewAthena.

Le travail s'eectuera en équipe. En sus des directeurs de thèse l'étudiant(e) travaillera avec les autres membres de l'équipe, experts en physique des galaxies et des amas de galaxies (ex : N. Clerc, A. Molin, T. Contini) et en méthode avancées de traitement des données (ex : S. Dupourqué, D. Barret). Le travail prendra place au sein de collaborations scientiques internationales constituées autour des projets observationnels XMM-Newton et XRISM. Le travail de préparation scientique de l'instrument X-IFU s'eectuera au sein de l'équipe XIFU/Athena de l'IRAP. L'IRAP a la responsabilité scientique (PI) de cet instrument et travaille de concert avec le CNES qui en a la maitrise d'oeuvre. L'étudiant(e) sera pleinement intégré(e) à ces collaborations.

The work will be carried out within a team. In addition to the PhD supervisors, the student will collaborate with other team members who are experts in galaxy and galaxy cluster physics (e.g. N. Clerc, A. Molin, T. Contini) and in advanced data analysis methods (e.g. S. Dupourqué, D. Barret). The research will take place within international scientic collaborations centred on the XMM-Newton and XRISM observational projects. The scientic preparation work for the X-IFU instrument will be conducted within IRAP's X-IFU/Athena team. IRAP holds the scientic responsibility (PI) for this instrument and works in close coordination with CNES, which is responsible for its implementation. The student will be fully integrated into these collaborations.

L'étudiant(e) réduira des données observationnelles de télescopes spatiaux en rayons X et utilisera des méthodes d'analyses en imagerie, ainsi qu'en spectroscopiques à résolution modérée et haute. L'analyse fera appel à des méthode basées sur de l'inférence bayesienne et de l'apprentissage machine, comme le code SIXSA en développment à l'IRAP.
The student will reduce observational data from space-based X-ray telescopes and will use imaging analysis methods, as well as moderate- and high-resolution spectroscopic techniques. The analysis will employ methods based on Bayesian inference and machine learning, such as the SIXSA code under development at IRAP.