Combinando LSST e levantamentos em bandas estreitas com Machine Learning: quasares, astrofísica multi-mensageira e aplicações de múltiplos traçadores

• Processo: 25/11898-5
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Data de Início da vigência: 01 de outubro de 2025
• Data de Término da vigência: 30 de setembro de 2027
• Área de conhecimento: Ciências Exatas e da Terra - Astronomia - Astrofísica Extragaláctica
• Pesquisador responsável: Luis Raul Weber Abramo
• Beneficiário: Joaquin Andres Armijo Torres
• Instituição Sede: Instituto de Física (IF). Universidade de São Paulo (USP). São Paulo , SP, Brasil
• Vinculado ao auxílio: 23/05082-7 - Combinando o LSST com levantamentos em bandas estreitas usando Machine Learning: cosmologia com quasares e aplicações com múltiplos traçadores, AP.R
• Assunto(s): Aprendizado computacional Cosmologia
• Palavra(s)-Chave do Pesquisador: Aprendizado de Máquina | Astrofísica Multi-Mensageiros | levantamentos de galáxias | Cosmologia

Resumo

O plano de pesquisa está centrado na compreensão do Universo através de dados observacionais e técnicas estatísticas avançadas, com forte ênfase no projeto Rubin-LSST. Este trabalho visa abordar questões cosmológicas importantes, como a natureza da energia escura e a relação entre a matéria escura e as galáxias observadas. A abordagem proposta aqui envolve a aplicação de estatísticas de ordem mais alta (além da função de dois pontos) e novos métodos de aprendizado de máquina para analisar a distribuição, aglomeração e as formas das galáxias. Os conjuntos de dados primários serão o Rubin-LSST por si só, ou em combinação com outros levantamentos em bandas largas e estreitas, além de outros traçadores e mensageiros (como observações de ondas gravitacionais). Em particular, planejamos utilizar uma pipeline baseada em simulações para obter vínculos altamente precisos no modelo cosmológico, com foco na análise de campos reconstruídos a partir de dados Rubin-LSST, tais como a densidade e propriedades dependentes de velocidade, a fim de entender a distribuição da matéria sob o modelo Lambda-matéria escura-fria (¿CDM).