Skip to main content
Aller à la page d’accueil de la Commission européenne (s’ouvre dans une nouvelle fenêtre)
français fr
CORDIS - Résultats de la recherche de l’UE
CORDIS

Mapping the Extreme Universe with deep neural networks: from simulations to Rubin-LSST data

Description du projet

Résoudre les noirs mystères de l’univers

Le modèle cosmologique de la matière noire froide lambda (ΛCDM) a permis d’expliquer l’évolution de l’univers sur de vastes échelles et à de nombreuses époques, en décrivant un cosmos dominé par la matière et l’énergie noires. Pourtant, la véritable nature de ces composants énigmatiques n’a pas encore été élucidée. Des anomalies récentes remettent en question l’équilibre entre l’expansion cosmique et la croissance des structures, laissant les cosmologistes sans solution claire. Les réponses pourraient-elles se trouver dans les environnements extrêmes de la toile cosmique, tels que les vides et les superamas? Le projet MAPEX, financé par l’UE, cherchera à résoudre ce mystère en exploitant les données de pointe de l’observatoire Vera Rubin et du Grand Télescope d’étude synoptique. En combinant des techniques d’apprentissage automatique avec des données cosmologiques, MAPEX fera figure de pionnier dans l’utilisation de l’apprentissage profond pour explorer les signaux gravitationnels et découvrir des vérités cachées sur notre univers.

Objectif

The consensus ΛCDM (Lambda-Cold Dark Matter) model of cosmology has shown remarkable explanatory power over a variety of cosmic scales and epochs, and it narrates a reassuring story of a universe currently filled mostly with dark matter and dark energy. Yet, this explanation is not fully satisfactory because the actual nature of the dark components remains a puzzle. Furthermore, cosmologists have recently reported significant anomalies concerning the delicate balance of cosmic expansion and structure growth, without a compelling solution.

The main objective of the MAPEX project is to reassess this far-reaching problem from a new perspective, and determine if cosmological tensions can be traced to the most extreme cosmic web environments: deep voids and dense superclusters. This EU-funded action will allow me to access unprecedented new data taken at the Vera Rubin Observatory, solidifying and broadening the Hungarian contributions to the next-generation Legacy Survey of Space and Time (LSST) project based in Chile. To go beyond the state-of-the-art, I will acquire extensive skills on machine learning techniques from expert researchers at Konkoly Observatory to combine with my groundwork results on cosmological data analysis from, above all, the Dark Energy Survey (DES).

As a key innovation, I will develop deep learning models to study extreme voids and superclusters. First, I will apply convolutional neural network methods to augment traditional cross-correlations between galaxy density fluctuations and the anisotropies of the Cosmic Microwave Background. Then, I will capture the dependence of their gravitational signals on the physical properties of dark energy and dark matter. The proposed analyses of simulations and early observational LSST data will help resolve whether some as-yet unknown physical effects or systematic biases complicate the picture in cosmology. Either way we will gather fundamentally new knowledge about the Universe on the largest scales.

Champ scientifique (EuroSciVoc)

Mots‑clés

Programme(s)

Thème(s)

Régime de financement

HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European Fellowships

Voir tous les projets financés dans le cadre de ce programme de financement

Appel à propositions

(s’ouvre dans une nouvelle fenêtre) HORIZON-WIDERA-2022-TALENTS-04

Voir tous les projets financés au titre de cet appel

Coordinateur

HUN-REN CSILLAGASZATI ES FOLDTUDOMANYI KUTATOKOZPONT
Contribution nette de l'UE
€ 74 041,92
Adresse
Konkoly Thege Miklos ut 15-17.
1121 Budapest
Hongrie
Région
Közép-Magyarország Budapest Budapest
Type d’activité
Research Organisations
Liens
Coût total
Aucune donnée

Participants (1)

Partenaires (2)