Explorando a estrutura em grande escala do universo com redes neurais profundas

• Processo: 24/18415-7
• Modalidade de apoio: Bolsas no Brasil - Programa Estímulo a Vocações Científicas
• Data de Início da vigência: 06 de janeiro de 2025
• Data de Término da vigência: 24 de fevereiro de 2025
• Área de conhecimento: Ciências Exatas e da Terra - Astronomia - Astrofísica Extragaláctica
• Pesquisador responsável: Clecio Roque de Bom
• Beneficiário: Diogo Pereira de Lima Carvalho
• Instituição Sede: Centro Brasileiro de Pesquisas Físicas (CBPF). Ministério da Ciência, Tecnologia e Inovação (Brasil)
• Assunto(s): Aprendizado computacional Aprendizagem profunda Redes neurais (computação)
• Palavra(s)-Chave do Pesquisador: Cosmology | Deep Learning | Aprendizado de Máquina em Astrofísica

Resumo

A cosmologia física está entrando em uma era crucial em que os significativos avanços das últimas duas décadas serão rigorosamente testados por meio de uma nova geração de levantamentos cosmológicos, que podem confirmar o paradigma existente ou revelar a necessidade de nova física. A determinação dos redshifts de galáxias e quasares é essencial para estudos em larga escala do universo, mas a espectroscopia necessária é dispendiosa e inviável para todas as galáxias observáveis. O aprendizado de máquina (AM) tem se mostrado promissor para análise massiva de dados na astronomia. Técnicas de AM têm demonstrado eficiência em recuperar propriedades de galáxias a partir de dados fotométricos, permitindo estudos em grande escala com maior cobertura e profundidade do que levantamentos espectroscópicos. Além disso, a aplicação de AM acelera significativamente o processamento e a análise de grandes conjuntos de dados, otimizando recursos e ampliando nossa capacidade de explorar o universo em larga escala, contribuindo para avanços na compreensão da formação e evolução das estruturas cósmicas. (AU)