Detailansicht
Non-parametric galaxy deprojection using JAX
Marco Janach
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Geowissenschaften, Geographie und Astronomie
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Astronomie
Betreuer*in
Prashin Jethwa
DOI
10.25365/thesis.79369
URN
urn:nbn:at:at-ubw:1-26948.58018.398760-0
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Die Deprojektion von Galaxien ist ein entscheidender Schritt für die dynamische Modellierung von Galaxien, durch welche viele intrinsische Parameter dieser Galaxien gewonnen werden können. Darüber hinaus kann sie verwendet werden, um die Form des Dunkle-Materie-Halos einer Galaxie zu untersuchen und kann Informationen über die Verschmelzung supermassiver Schwarzer Löcher liefern. Das Hauptziel dieser Arbeit ist die Untersuchung nicht-parametrischer Methoden für die Deprojektion von Galaxien, d.h. die Transformation von 2D-Bildern von Galaxien zu 3D-Modelle dieser Galaxien. Ich habe zwei Methoden miteinander verglichen, deren Leistung mit Hilfe des JAX-Frameworks für numerisches Hochleistungsrechnen verbessert wurde: Stochastic Variational Inference (SVI), die ein mit NumPyro implementiertes probabilistisches Modell verwendet, und Simulation Based Inference (SBI), die neuronale Netze verwendet und mit Hilfe der die sbi Bibliothek implementiert wurde. Die Stochastic Variational Inference schnitt deutlich besser ab, allerdings mit dem Nachteil, dass keine realistischen Fehlerschätzungen vorliegen. Andererseits lieferte die Simulation Based Inference keine aussagekräftigen Ergebnisse, auch nicht nach einer Optimierung der Hyperparameter und einer erheblichen Erhöhung der Trainingsdaten. Weitere Untersuchungen der bereits vielversprechenden SVI-Methode könnten zu Deprojektionstechniken führen, die den modernsten Ansätzen ebenbürtig sind und den Forschern je nachdem, welche Galaxien sie deprojizieren möchten, mehr Flexibilität bieten.
Abstract
(Englisch)
Galaxy deprojection is a crucial step for the dynamical modeling of galaxies, which can recover many intrinsic parameters of these galaxies. Furthermore it can be used to investigate the shape of a galaxy's dark matter halo and give information about the merging of Super Massive Black Hole binaries. The main goal behind this thesis is to investigate non-parametric methods for galaxy deprojection, which is the process of transforming 2D images of galaxies into 3D models. Using the JAX framework for high performance numerical computing to improve their performance, I compared two methods to each other: Stochastic Variational Inference (SVI), which uses a probabilistic model implemented with NumPyro and Simulation Based Inference (SBI), which uses neural networks via the sbi library. Stochastic Variational Inference performed significantly better with the downside of not having realistic error estimates. On the other hand Simulation Based Inference failed to produce meaningful results, even after hyper-parameter optimization and increasing the training data significantly. Further investigations into the already promising SVI method could lead to deprojection techniques on par with state-of-the-art approaches, offering researchers more flexibility depending on the galaxies that they aim to deproject.
Schlagwörter
Schlagwörter
(Deutsch)
Astronomie Galaxien Deprojektion JAX Hochleistungsrechnen
Schlagwörter
(Englisch)
Astronomy Galaxies Deprojection JAX High-Performance Computing
Autor*innen
Marco Janach
Haupttitel (Englisch)
Non-parametric galaxy deprojection using JAX
Publikationsjahr
2025
Umfangsangabe
vi, 56 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Prashin Jethwa
Klassifikation
39 Astronomie > 39.41 Extragalaktische Systeme. Galaxien
AC Nummer
AC17651116
Utheses ID
77102
Studienkennzahl
UA | 066 | 861 | |