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