Busca avançada
Ano de início
Entree

Técnicas de machine learning aplicadas a problemas cosmológicos

Processo: 19/08852-2
Linha de fomento:Bolsas no Brasil - Pós-Doutorado
Vigência (Início): 01 de junho de 2019
Vigência (Término): 31 de maio de 2021
Área do conhecimento:Ciências Exatas e da Terra - Física - Física das Partículas Elementares e Campos
Pesquisador responsável:Nathan Jacob Berkovits
Beneficiário:Martín Emilio de Los Rios
Instituição-sede: Instituto de Física Teórica (IFT). Universidade Estadual Paulista (UNESP). Campus de São Paulo. São Paulo , SP, Brasil
Vinculado ao auxílio:16/01343-7 - ICTP Instituto Sul-Americano para Física Fundamental: um centro regional para física teórica, AP.TEM
Assunto(s):Aprendizado computacional   Matéria escura

Resumo

As técnicas de machine learning representam um novo modo de análise de uma grande quantidade de dados de uma maneira agnóstica e homogênea. Esses métodos são ferramentas poderosas para encontrar padrões e relações entre as variáveis que estão envolvidas em um problema específico. É importante mencionar que essas técnicas têm sido aplicadas com bastante sucesso em problemas tecnológicos e em outras áreas da ciência, incluindo astronomia e física.Por outro lado, as observações astronômicas atuais e futuras gerarão uma enorme quantidade de informação, tornando as técnicas de machine learning importantes para suas análises.Durante esse pós-doc aplicarei as novas técnicas a diferentes problemas cosmológicos. Especificamente pretendo melhorar os algoritmos de machine learning para a classificação automática de fusão de aglomerados de galáxias, para aplicá-los aos aglomerados com alto deslocamento para o vermelho e também para os aglomerados de Sunyaev-Zeldovich. Também darei continuidade aos estudos das anisotropias da radiação cósmica de fundo com o objetivo de encontrar, se existente, qualquer sinal da partida do modelo cosmológico padrão. Utilizarei algoritmos de detecção de anomalias para encontrar áreas do céu que podem apresentar desvios do que é esperado.

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)