Comprendre la connexion entre les halos et les galaxies est fondamental pour améliorer notre connaissance sur la nature et les propriétés de la matière noire. Dans ce travail, nous développons un modèle qui permet d’estimer la masse d’un halo à partir des positions, vitesses, masses stellaires et rayons des galaxies qu’il héberge. Afin de capturer les informations provenant des corrélations entre les propriétés des galaxies et leur distribution dans l’espace des phases, nous utilisons des réseaux de neurones graphes (Graph Neural Networks, GNN), spécifiquement conçus pour traiter des données irrégulières et creuses. Nos modèles sont entraînés sur des galaxies issues de plus de 2 000 simulations de pointe provenant du projet Cosmology and Astrophysics with MachinE Learning Simulations (CAMELS). Notre modèle, qui prend en compte les incertitudes cosmologiques et astrophysiques, est capable de contraindre les masses des halos avec une précision d’environ 0,2 dex. De plus, un GNN entraîné sur une série de simulations conserve une partie de sa précision lorsqu’il est testé sur des simulations réalisées avec un code différent, utilisant un modèle physique à petite échelle distinct, ce qui démontre la robustesse de notre méthode. L’implémentation du GNN avec PyTorch Geometric est disponible publiquement sur GitHub à l’adresse suivante : https://github.com/PabloVD/HaloGraphNet