Characterizing large-scale structure tracers with machine learning (2025)
- Authors:
- Autor USP: RODRIGUES, NATÁLIA VILLA NOVA - IF
- Unidade: IF
- Sigla do Departamento: FMA
- DOI: 10.11606/T.43.2025.tde-11092025-192533
- Subjects: COSMOLOGIA; GALÁXIAS; QUASARES; APRENDIZADO COMPUTACIONAL
- Keywords: APRENDIZADO DE MÁQUINA; CONEXÃO HALO-GALÁXIA; ESTRUTURA EM GRANDE ESCALA; HALO-GALAXY CONNECTION; LARGE-SCALE STRUCTURE; LEVANTAMENTOS FOTOMÉTRICOS; MACHINE LEARNING; PHOTOMETRIC SURVEYS
- Agências de fomento:
- Language: Inglês
- Abstract: Na era da cosmologia de alta precisão, um dos principais desafios é modelar de forma eficiente e acurada a estrutura em grande escala no regime não linear, além de extrair o máximo de informação dos extensos conjuntos de dados fornecidos pelos levantamentos modernos. Nesse contexto, o aprendizado de máquina tem ganhado destaque por sua flexibilidade para lidar com a complexidade e volume desses dados. Neste trabalho, abordamos a modelagem da estrutura em grande escala em três principais direções. Primeiro, do ponto de vista observacional, desenvolvemos métodos para classificar quasares, galáxias e estrelas no levantamento fotométrico de bandas estreitas miniJPAS. Segundo, investigamos a conexão entre as propriedades das galáxias e de seus halos de matéria escura hospedeiros -- uma importante área para relacionar modelos cosmológicos e de formação de galáxias aos observáveis. Terceiro, estudamos como modelar a distribuição dos halos de matéria escura a partir da informação do campo de matéria escura subjacente. Em diferentes contextos, exploramos como técnicas de aprendizado de máquina podem contribuir na caracterização de halos, galáxias e quasares, que funcionam como traçadores enviesados da distribuição de matéria. Esses projetos são complementares dentro do objetivo mais amplo de modelar a estrutura em grande escala do Universo e avançar na compreensão de questões fundamentais da cosmologia
- Imprenta:
- Data da defesa: 29.08.2025
- Este periódico é de acesso aberto
- Este artigo NÃO é de acesso aberto
-
ABNT
RODRIGUES, Natália Villa Nova. Characterizing large-scale structure tracers with machine learning. 2025. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2025. Disponível em: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-11092025-192533/. Acesso em: 20 fev. 2026. -
APA
Rodrigues, N. V. N. (2025). Characterizing large-scale structure tracers with machine learning (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de https://www.teses.usp.br/teses/disponiveis/43/43134/tde-11092025-192533/ -
NLM
Rodrigues NVN. Characterizing large-scale structure tracers with machine learning [Internet]. 2025 ;[citado 2026 fev. 20 ] Available from: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-11092025-192533/ -
Vancouver
Rodrigues NVN. Characterizing large-scale structure tracers with machine learning [Internet]. 2025 ;[citado 2026 fev. 20 ] Available from: https://www.teses.usp.br/teses/disponiveis/43/43134/tde-11092025-192533/ - Classificação de quasares, estrelas e galáxias com técnicas de aprendizagem automática
- The miniJPAS survey quasar selection – I: mock catalogues for classification
- The miniJPAS survey quasar selection – II: machine learning classification with photometric measurements and uncertainties
- The miniJPAS survey quasar selection: IV. Classification and redshift estimation with SQUEzE
- The miniJPAS survey quasar selection
- High-fidelity reproduction of central galaxy joint distributions with neural networks
- The information of attribute uncertainties: what convolutional neural networks can learn about errors in input data
- Mimicking the halo–galaxy connection using machine learning
Informações sobre o DOI: 10.11606/T.43.2025.tde-11092025-192533 (Fonte: oaDOI API)
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
