Detailansicht
Reconstructing the cosmic web from the Lyman-Alpha forest with machine learning
Branko Mitic
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Astronomie
Betreuer*in
Oliver Hahn
Mitbetreuer*in
Florian List
DOI
10.25365/thesis.72574
URN
urn:nbn:at:at-ubw:1-16173.81766.150663-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Lyman-Alpha-Übergänge in neutralen Wasserstoffwolken verursachen charakteristische Merkmale in Spektren sehr weit entfernter Quasaren und Galaxien. Für jede Sichtlinie können Dichteschwankungen im Rotverschiebungsraum abgeschätzt werden. Die Kombination mehrerer Sichtlinien ermöglicht eine dreidimensionale Rekonstruktion des zugrunde liegenden Feldes und damit die Kartierung des Universums bei hohen Rotverschiebungen, was zum Verständnis großräumiger Strukturen, aber auch kleinräumiger Clusterbildung, Eigenschaften dunkler Materie und der Form des ursprünglichen Schwankungsspektrums beiträgt. Eine gängige Methode, die genau für diesen Zweck verwendet wird, ist der Wiener Filter, ein analytischer Ansatz, der die erwartete Varianz des Fehlers für Gauß'sche Felder minimimiert. Dadurch, dass Datensätze sehr groß werden, wird das Lösen der Wiener Filter-Gleichung immer schwieriger und erfordert große Mengen an Rechenleistung. Darüber hinaus vernachlässigt die Annahme eines Gauß'schen Priors die nichtlineare Natur der Strukturbildung. Um zur Weiterentwicklung der Lyman-Alpha-Wald-Tomographie beizutragen, habe ich erfolgreich zwei neue Methoden zur dreidimensionalen Dichtefeldrekonstruktion angewendet, von denen eine auf einem Neuronalen Netzwerk und die andere auf Compressed Sensing, einer Signalverarbeitungstechnik basiert. Beide Techniken liefern Ergebnisse, die den Wiener Filter mit weniger Rechenaufwand verbessern; insbesondere auf kleinen Skalen können dadurch die Komponenten des kosmischen Netzes mit größerer Genauigkeit identifiziert werden, während gleichzeitig Lyman-alpha-Wald Statistiken wie Leistungsspektrum und Wahrscheinlichkeitsdichtefunktion deutlich genauer reproduziert werden.
Schlagwörter
Schlagwörter
(Deutsch)
Kosmologie Data Science Machine Learning
Autor*innen
Branko Mitic
Haupttitel (Englisch)
Reconstructing the cosmic web from the Lyman-Alpha forest with machine learning
Paralleltitel (Deutsch)
Rekonstruktion des kosmischen Netzes anhand von Messungen des Lyman-Alpha-Waldes mit maschinellem Lernen
Publikationsjahr
2022
Umfangsangabe
7, 72 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Oliver Hahn
Klassifikation
39 Astronomie > 39.30 Kosmologie
AC Nummer
AC16671953
Utheses ID
64983
Studienkennzahl
UA | 066 | 861 | |