Busca avançada
Ano de início
Entree

Matrizes de covariância cosmológicas e métodos de machine learning

Processo: 19/13108-0
Linha de fomento:Bolsas no Brasil - Doutorado
Vigência (Início): 01 de setembro de 2019
Vigência (Término): 31 de agosto de 2022
Área do conhecimento:Ciências Exatas e da Terra - Astronomia - Astrofísica Extragaláctica
Pesquisador responsável:Luis Raul Weber Abramo
Beneficiário:Natali Soler Matubaro de Santi
Instituição-sede: Instituto de Física (IF). Universidade de São Paulo (USP). São Paulo , SP, Brasil
Assunto(s):Cosmologia (astronomia)   Análise de covariância   Aprendizado computacional   Energia escura   Simulação

Resumo

O grande problema da Cosmologia atual é a aceleração cósmica: seria ela devida a energia escura ou a uma modificação nas leis da gravidade para distâncias cosmológicas? Grandes investimentos em novos instrumentos astronômicos (DESI, Euclid, PFS, J-PAS e outros) levarão, de 2 a 4 anos, a um crescimento dramático da quantidade e qualidade de dados cosmológicos. Esses dados deverão incluir volumes cada vez maiores, redshifts mais altos e uma variedade maior de diferentes tipos de galáxias em diferentes comprimentos de onda. Dada essa complexidade, como poderemos explorar essas novas observações e extrair informações sobre a Cosmologia e a formação e evolução de galáxias? A utilização dos dados na comparação com modelos pressupõe que a natureza das incertezas seja bem compreendida. As matrizes de covariância dos dados têm de ser bem entendidas, não só quanto à propagação dos erros estatísticos inerentes às observações, mas principalmente quanto à dependência dessas matrizes com as hipóteses subjacentes à análise de dados, i.e., dos modelos teóricos que assumimos ao utilizá-los - algo quase sempre negligenciado quando se extraem vínculos em parâmetros cosmológicos. O objetivo deste projeto é calcular matrizes de covariância para esses levantamentos de galáxias, incluindo múltiplos traçadores das estruturas em grandes escalas. Vamos utilizar desde catálogos mock simples, como mapas lognormais, passando por simuladores de halos de matéria escura, até simulações de N corpos. Também vamos estudar diferentes técnicas de machine learning para verificar de que modo elas podem servir para recalcular as matrizes de covariância, mais rapidamente, e como função dos parâmetros dos modelos fiduciais utilizados. Nosso objetivo final é prever de modo preciso como esses novos dados podem ser utilizados em Cosmologia, na determinação das oscilações acústicas de bárions, na detecção das distorções de redshift, e, em última análise, na busca pela natureza da energia escura. (AU)