Detailansicht

Predicting galactic orbits with deep learning
Leah Skusa
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Astronomie
Betreuer*in
Prashin Jethwa
Volltext herunterladen
Volltext in Browser öffnen
Alle Rechte vorbehalten / All rights reserved
DOI
10.25365/thesis.73468
URN
urn:nbn:at:at-ubw:1-30407.63699.940256-5
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)

Abstracts

Abstract
(Deutsch)
Dies ist eine deutsche Kurzfassung dieser in Englisch verfassten Masterarbeit. Umlaufbahnen von Sternen in Galaxien verraten viel über die Entstehung und Vergangenheit einer Galaxie. Orbitmodelle geben einen Einblick in die kinematische Struktur einer Galaxie, die aus Beobachtungen nicht immer direkt ersichtlich ist. Gängige Methoden, um die Orbitverteilung zu modellieren, haben einen hohen Rechenaufwand. Es werden große Datensätze und vielfache Wiederholungen benötigt, um eine akkurate Orbitbibliothek für eine Galaxie zu erstellen. In dieser Arbeit versuchen wir, den Rechenaufwand zu verringern, indem wir Methoden des maschinellen Lernens nutzen (Deep Learning). Wir nutzen den DYNAMITE-Code, eine Implementierung der Schwarzschild- Methode zur Modellierung von Orbits. Aus den berechneten Orbitbibliotheken extrahieren wir Gauß-Hermite Koeffizienten und erstellen damit einen Datensatz um ein künstliches neuronales Netz zu. trainieren. Mit dem trainierten neuronalen Netzwerk generieren wir einen neuen Satz an Koeffizienten und vergleichen sie mit den Daten aus den Orbitmodellen. Wir untersuchen außerdem die Grenzen des Netzes, indem wir den Trainingsdatensatz verkleinern und die damit erstellten neuen Ergebnisse analysieren. Beim Vergleich der mit Deep Learning generierten und der mit DYNAMITE modellierten Koeffizienten weisen beide eine große Ähnlichkeit auf. Aus den generierten Koeffizienten berechnen wir eine Orbitbibliothek, die genauso verwendet werden kann wir die aus den modellierten Orbits. Wir besprechen auch die Grenzen von maschinellem Lernen für unseren Fall, sowie die Vereinfachungen, die für unsere Herangehensweise notwendig waren.
Abstract
(Englisch)
Stellar orbits in galaxies can tell the story of the host galaxy’s formation and merger history. Orbit models can unveil details in galaxy kinematics that are not directly visible in observations. Methods to model the distribution of orbits are computationally expensive. Large data sets and many iterations are necessary to generate an orbit library, which is computationally expensive. In this work, we try to lower this computational cost with the use of Deep Learning. We generate orbit libraries with the DYNAMITE code, an implementation of the Schwarzschild Orbit Superposition method. We train a Deconvolutional Neural Net on data of Gauß-Hermite coefficients we extract from the orbit libraries. With the trained neural net, we predict new coefficients and compare them to the coefficients from the original orbit library. We also test the limits of the neural net by training on smaller data sets. When we compare the predicted coefficients to the ones from Schwarzschild orbit modeling, we find that they are very similar and the predictions can be used instead of the expensive orbit models. We also discuss the limitations of our method concerning Deep Learning predictions and the simplifications made in the orbit modeling process.

Schlagwörter

Schlagwörter
(Deutsch)
Dynamik Galaxien Maschinelles Lernen
Schlagwörter
(Englisch)
Dynamics Galaxies Deep Learning
Autor*innen
Leah Skusa
Haupttitel (Englisch)
Predicting galactic orbits with deep learning
Paralleltitel (Deutsch)
Vorhersage von Orbits in Galaxien mit maschinellem Lernen
Publikationsjahr
2023
Umfangsangabe
viii, 54 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Prashin Jethwa
Klassifikationen
39 Astronomie > 39.23 Himmelsmechanik. Astrodynamik ,
39 Astronomie > 39.41 Extragalaktische Systeme. Galaxien ,
54 Informatik > 54.72 Künstliche Intelligenz
AC Nummer
AC16841243
Utheses ID
66185
Studienkennzahl
UA | 066 | 861 | |
Universität Wien, Universitätsbibliothek, 1010 Wien, Universitätsring 1