Machine learning methods for extracting cosmological information (2024)
- Authors:
- Autor USP: SANTI, NATALÍ SOLER MATUBARO DE - IF
- Unidade: IF
- Sigla do Departamento: FMA
- DOI: 10.11606/T.43.2024.tde-15072024-101341
- Subjects: COSMOLOGIA; ASTROFÍSICA; INTELIGÊNCIA ARTIFICIAL
- Keywords: ALGORITMOS DE APRENDIZADO DE MÁQUINA; CONEXÃO GALÁXIA-HALO; COSMOLOGICAL PARAMETERS INFERENCE; COSMOLOGICAL SIMULATIONS; HALO-GALAXY CONNECTION; INFERÊNCIA DE PARÂMETROS COSMOLÓGICOS; MACHINE LEARNING ALGORITHMS; SIMULAÇÕES COSMOLÓGICAS
- Agências de fomento:
- Language: Inglês
- Abstract: A nova geração de observações cosmológicas está gerando uma enorme quantidade de dados e aumentando a pressão pelo desenvolvimento de novas e já existentes técnicas para a análise dos mesmos. Métodos de Aprendizado de Máquina (AM) tem se mostrado como uma excelente e revolucionária alternativa para essa função, muitas vezes superando os métodos tradicionais. Neste trabalho nós utilizamos uma série de técnicas de AM para: (1) melhorar matrizes de covariância cosmológicas, (2) investigar a conexão galáxia-halo, e (3) realizar uma inferência robusta de parâmetros cosmológicos, livre de verossimilhança, usando apenas o campo de galáxias e halos. A inferência de parâmetros é uma atividade central em Cosmologia e aqui nós apresentamos duas diferentes soluções: o uso de métodos tradicionais, para a obtenção de matrizes de covariância cosmológicas precisas e acuradas por meio uma técnica de remoção de ruído de imagens e um método novo, que envolve converter catálogos de galáxias e halos em grafos para alimentar uma rede neural gráfica capaz de diretamente inferir os parâmetros. Ao mesmo tempo, sabendo que a relação entre galáxias e halos é fundamental para descrever a formação de galáxias e para inferir informação cosmológica a partir das galáxias, nós desenvolvemos uma série de metodologias para obter essa conexão.Usamos métodos de AM diretamente nas propriedades de halos e galáxias, fizemos o mesmo para um conjunto de dados aumentado e usamos ambas as predições para obter modelos empilhados. Convertemos o problema de regressão em classificação, sendo capazes de recuperar não apenas as propriedades das galáxias, mas também sua estocasticidade. Todos esses diferentes projetos focam em aperfeiçoar a obtenção de informação cosmológica de simulações, melhorando sua acurácia e precisão, tanto para os parâmetros cosmológicos, quanto para a conexão galáxia-halo. Estes são os passos iniciais da futura aplicação de metodologias inovadoras em dados reais para a próxima e atual geração de observações
- Imprenta:
- Data da defesa: 04.07.2024
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
SANTI, Natali Soler Matubaro de. Machine learning methods for extracting cosmological information. 2024. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2024. Disponível em: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-15072024-101341/. Acesso em: 24 jan. 2026. -
APA
Santi, N. S. M. de. (2024). Machine learning methods for extracting cosmological information (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/43/43134/tde-15072024-101341/ -
NLM
Santi NSM de. Machine learning methods for extracting cosmological information [Internet]. 2024 ;[citado 2026 jan. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-15072024-101341/ -
Vancouver
Santi NSM de. Machine learning methods for extracting cosmological information [Internet]. 2024 ;[citado 2026 jan. 24 ] Available from: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-15072024-101341/ - A universal equation to predict ''ômega' IND. m' from halo and galaxy catalogs
- The CAMELS project: expanding the galaxy formation model space with new ASTRID and 28-parameter TNG and SIMBA suites
- Robust field-level likelihood-free inference with galaxies
- Improving cosmological covariance matrices with machine learning
- High-fidelity reproduction of central galaxy joint distributions with neural networks
- Mimicking the halo–galaxy connection using machine learning
Informações sobre o DOI: 10.11606/T.43.2024.tde-15072024-101341 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
