Predição de redshifts fotométricos: utilizando erros de medida

• Processo: 24/00868-5
• Modalidade de apoio: Bolsas no Brasil - Iniciação Científica
• Data de Início da vigência: 01 de maio de 2024
• Data de Término da vigência: 30 de abril de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Probabilidade e Estatística - Probabilidade e Estatística Aplicadas
• Pesquisador responsável: Rafael Izbicki
• Beneficiário: Lucas Sala Battisti
• Instituição Sede: Centro de Ciências Exatas e de Tecnologia (CCET). Universidade Federal de São Carlos (UFSCAR). São Carlos , SP, Brasil
• Assunto(s): Aprendizado computacional Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: Incorporação de incertezas | machine learning | Redes Neurais Artificiais | Redes neurais artificiais convolucionais | Redshift Fotométrico | Machine Learning

Resumo

Redshift é uma medida astronômica que descreve o deslocamento de uma onda eletromagnética para o espectro vermelho. Essa medida é fundamental para quantificar a distância entre o observador e objetos astronômicos (como galáxias e quasares) e também medir como o universo se expande. O método mais acurado para a estimação de redshifts é por meio da espectroscopia. No entanto, por razões de custo e tempo, uma alternativa que vem sendo cada vez mais investigada é a estimação por meio a fotometria. Nesse contexto, é mensurada a quantidade de luz que um objeto astronômico emite para certos intervalos de comprimento de onda. Ademais, é possível mensurar uma grandeza de incerteza associada com essas quantidades de luz. Tradicionalmente, essas medidas fotométricas são utilizadas como covariáveis para a predição do redshift de um objeto, no entanto, as medidas de erros são geralmente descartadas nesses estudos. Diante disso, esse projeto tem como foco a investigação de métodos de aprendizado de máquina que buscam incorporar medidas de incerteza para estimação de redshifts, utilizando dados de quasares do S-PLUS (Southern Photometric Local Universe Survey).