Detailansicht
Identifying galaxy properties that are most sensitive to dark matter variations
Carla Nicolin Schoder
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Astronomie
Betreuer*in
Sylvia Plöckinger
DOI
10.25365/thesis.78293
URN
urn:nbn:at:at-ubw:1-28050.75538.135483-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Diese Masterarbeit hatte zum Ziel, herauszufinden ob es, wenn man Simulationen mit unterschiedlichen dunklen Materie Modellen untersucht, gewisse Galaxieneigenschaften gibt, die sich besonders stark unterscheiden. So eine Galaxieneigenschaft könnte uns dann dazu dienen, vorrauszusagen welches dunkle Materie Modell wahrscheinlicher ist um eine Galaxie mit diesen bestimmten Eigenschaften zu erzeugen. Dazu wurden in dieser Arbeit, drei unterschiedliche hochaufgelöste Simulationen, aus dem COLIBRE Projekt, untersucht. Zwei der Simulationen hatten die exakt gleichen baryonischen Implementierungen, jedoch einmal mit kalter dunkler Materie und einmal mit warmer dunkler Materie, in Form von Sterilen Neutrinos. Die dritte Simulation, kann als Gegen-testmodell angesehen werden; sie wurde auch mit kalter dunkler Materie aufgesetzt, jedoch enthielt sie bereits verbesserte Implementierungen bezüglich der baryonischen Physik. Kalte dunkle Materie gilt in der Kosmologie als das Standard Modell. Jedoch erzeugt das Standard Modell auch gewisse Widersprüche zwischen Beobachtungen und Simulationen, weshalb alternative dunkle Materie Modelle, wie die warme dunkle Materie getestet werden. Die letzten Jahre, konnten einige der Problematiken, mit Hilfe von verbesserter baryonischer Physik reduziert oder gelöst werden. Daher ist es besonders wertvoll als dritte Simulation ein kaltes dunkles Materie Modell mit verbesserter baryonischer Physik zur Verfügung zu haben. Als Methodik um diese Modelle gegeneinander zu Vergleichen, wurden zwei Methoden des Maschinellen Lernens verwendet: Entscheidungsbäume (Decision Trees) und Zufallswälder (Random Forests). Diese Methoden sind statistische Klassifizierungsalgorithmen. Das heißt sie funktionieren besonders gut, mit großen Datensätzen. Da zur Analyse jedoch nur sehr kleine kosmologische Boxen zur Verfügung stehen, $12.5\, Mpc^3$, woraus sich nach einer Vorselektion für jede Simulation etwa 150 Galaxien ergeben. Diese 150 Galaxien müssen dann reichen um statistisch relevante Aussagen treffen zu können. Um dies möglichst gut zu bewerkstelligen, sind die Parameter, anhand derer man die Entscheidungsbäumen und Zufallswäldern trainiert, enorm wichtig. Deshalb wurden hier detailierte Tests durchgeführt, um die Parameter zu finden, die die höchste Genaugikeit erzeugen. Durch das kleine Datenset, hat oft schon eine geringe Anzahl an Galaxien einen großen Einfluss auf das Resultat des Entscheidungsbaums. Der Fokus der Analyse lag auf das heutige Universum, also Rotverschiebung 0. Um mögliche systematische zeitliche Entwicklungen zu erkennen, oder Galaxieneigenschaften zu identifizieren die zu einem früherem Zeitpunkt im Universum signifikante Unterschiede zwischen kalter und warmer dunkle Materie zeigen, habe ich zusätzlich fünf Momentaufnahmen bei höherer Rotverschiebung untersucht. Obwohl die Resultate, durch die Limitierung des kleinen Datensatzes, nicht sehr signifikant sind, scheint der Halb-Massen Radius die Galaxieneigenschaft zu sein, welche die größten Unterschiede im kalten und warmen dunkle Materie Universum aufweist.
Abstract
(Englisch)
This master thesis tries to find the most sensitive galaxy properties to different dark matter models. Three cosmological SPH simulations are analysed towards systematic differences to find those properties. The high-resolution simulation (COLIBRE) includes dark matter and baryonic physics. Compared is a cold dark matter to a warm dark matter simulation. These two models only differ in their dark matter components but have the same baryonic physics. The third model is also a cold dark matter model with improved baryonic physics. This third model allows us to distinguish between dark matter models and effects which we can find in baryonic physics. This thesis aimed to use machine learning methods to find galaxy properties that could be used as predictors for dark matter models. From which dark matter model is it more likely that they originate? The machine learning methods chosen were decision trees (DTs) and random forests (RFs). DTs and RFs are classification algorithms used in this thesis to classify cold and warm dark matter. Different pruning and tuning techniques are applied to optimise DTs and RFs. Nevertheless, the significance of the results from the DTs and RFs is not very high because the sample for the training of the machine learning method is very small. Since the simulation boxes have only $12.5 \, Mpc^3$, and after a necessary pre-selection according to a specific mass range, only about 150 galaxies are left. Since machine learning methods are statistical algorithms, they work better when the sample size is larger. Eight sub-datasets extracted from one dataset are created and separately trained with a machine learning algorithm to create more robust results. This method reduces bias through outliers in the individual datasets. The main focus of the analysis is spent on redshift zero, so the Universe looks like it does today. In addition to redshift zero, five higher redshift snapshots, until a redshift of five, have also been studied for a more complete picture. The optimisation of the machine learning worked best for the cold dark matter against the warm dark matter at redshift zero, where the accuracy of the feature importance improved by about ten per cent. Meanwhile, for the second cold dark matter model against the warm dark matter model, the overfitting problem could not be significantly reduced, leading to less relevant results. The key finding is that, besides all the method limitations, the stellar half-mass radius shows the most significant difference between the cold and warm dark matter simulations.
Schlagwörter
Schlagwörter
(Deutsch)
Dunkle Materie Warme Dunkle Materie Galaxien Kosmologische Simulationen COLIBRE SWIFT
Schlagwörter
(Englisch)
dark matter warm dark matter cold dark matter SWIFT COLIBRE cosmological simulations small scale problems galaxies machine learning decision tree random forest
Autor*innen
Carla Nicolin Schoder
Haupttitel (Englisch)
Identifying galaxy properties that are most sensitive to dark matter variations
Paralleltitel (Deutsch)
Identifizierung der Galaxieneigenschaften, die am sensibelsten auf Dunkle Materie Veränderungen reagieren
Publikationsjahr
2025
Umfangsangabe
vii, 123 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Sylvia Plöckinger
AC Nummer
AC17519090
Utheses ID
75430
Studienkennzahl
UA | 066 | 861 | |