Técnicas de machine learning aplicadas a problemas cosmológicos

• Processo: 19/08852-2
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de junho de 2019
• Data de Término da vigência: 31 de maio de 2021
• Área de 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.ESP
• Assunto(s): Cosmologia observacional Matéria escura Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Cosmology | Dark Matter | machine learning | Cosmologia observacional

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. (AU)

Publicações científicas

(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)

DE LOS RIOS, MARTIN. COSMIC-KITE: auto-encoding the cosmic microwave background. Monthly Notices of the Royal Astronomical Society, v. 511, n. 4, p. 11-pg., 2022-03-08. (19/08852-2)

COENDA, VALERIA; DE LOS RIOS, MARTIN; MURIEL, HERNAN; CORA, SOFIA A.; MARTINEZ, HECTOR J.; RUIZ, ANDRES N.; VEGA-MARTINEZ, CRISTIAN A.. econstructing orbits of galaxies in extreme regions (ROGER) - II: reliability of projected phase-space in our understanding of galaxy population. Monthly Notices of the Royal Astronomical Society, v. 510, n. 2, p. 1934-1944, FEB 2022. (19/08852-2)

DE LOS RIOS, MARTIN; PETAC, MIHAEL; ZALDIVAR, BRYAN; BONAVENTURA, NINA R.; CALORE, FRANCESCA; IOCCO, FABIO. Determining the dark matter distribution in simulated galaxies with deep learning. Monthly Notices of the Royal Astronomical Society, v. 525, n. 4, p. 21-pg., 2023-09-11. (19/08852-2)