CORDIS - Forschungsergebnisse der EU
CORDIS

Realistic and Informative Simulations with machine learnING

Projektbeschreibung

Mit verbesserten Simulationen die Sterne beobachten

Das Interesse der Menschen an der Astronomie reicht bis in die Urzeiten zurück. Angetrieben durch Entwicklungen und Verbesserungen sowie den Einsatz immer besserer Geräte und vertiefter wissenschaftlicher Erkenntnisse ist die Astronomie auch in unseren Tagen populär. Heute jedoch beruht die astronomische Forschung in hohem Maße auf Simulationen. Leider gibt es keine Möglichkeit, in der Praxis den Faktor Realismus einer Simulation zu vermessen, und numerische Simulationen sind für die Entwicklung neuer Verfahren oder zur Verbesserung der statistischen Signifikanz tendenziell eher zu langsam und zu teuer. Das EU-finanzierte Projekt RISING wird sich mit diesen Fragen beschäftigen, indem es einen Rahmen entwickelt, der mit maschinellem Lernen ausgestattete Werkzeuge für etliche Anwendungen umfasst, die unmittelbar auf dynamische Simulationen von Sternhaufen und hydrodynamische Simulationen ihrer Mutterwolken angewandt werden.

Ziel

Contemporary astronomical research relies heavily on simulations. However, the current state of the art has no objective way to measure how `realistic’ a simulation is, nor how informative it is with respect to the scientific questions it was designed to address. Comparison between simulation and observation is left to the subjective judgment of the individual researcher. The set up of simulation sets, the choice of parameters and ingredients to include, and the number of runs to execute are all also left to the researcher’s preferences, given hardware constraints. Numerical astronomy has, as of now, no shared standard of experiment design. Additionally, numerical simulations are often so slow and expensive that it is impossible to quickly and cheaply produce new outputs to improve statistical significance or for rapid prototyping new techniques. To address these issues, I will develop the RISING framework. RISING (Realistic and Informative Simulations with machine learnING) is a bundle of machine learning tools: anomaly detection tools to measure the realism of simulations, active learning tools to plan optimal sets of simulations under resource constraints, and generative modeling tools to obtain credible simulation outputs without running the underlying simulation. RISING will find immediate application on dynamical simulations of star clusters and hydrodynamical simulations of their parent clouds, which are being run in large numbers by the ERC-funded DEMOBLACK group led by my host, Prof. Michela Mapelli. RISING will be written in Python 3.7 using the Keras API on top of Tensorflow, integrated with frameworks for multi-scale, multi-physics simulations, such as AMUSE , whose author is Prof. Portegies-Zwart (Leiden Univ.) with which Prof. Mapelli has a current ongoing collaboration. The source code of RISING and selected data products will be made freely available to the numerical astronomy community.

Koordinator

UNIVERSITA DEGLI STUDI DI PADOVA
Netto-EU-Beitrag
€ 255 768,00
Adresse
VIA 8 FEBBRAIO 2
35122 Padova
Italien

Auf der Karte ansehen

Region
Nord-Est Veneto Padova
Aktivitätstyp
Higher or Secondary Education Establishments
Links
Gesamtkosten
€ 255 768,00

Partner (1)