Descripción del proyecto
Mejores simulaciones para observar las estrellas
El interés del ser humano por la astronomía se remonta a la antigüedad. La astronomía sigue en boga hoy día gracias tanto a desarrollos y mejoras como al uso de equipos más sofisticados y un conocimiento científico más exhaustivo. Actualmente, la investigación astronómica depende en gran medida de las simulaciones. Por desgracia, no existe un método para cuantificar de manera práctica el realismo de una simulación. Además, las simulaciones matemáticas suelen ser muy lentas y caras como para desarrollar prototipos de técnicas nuevas o mejorar la significación estadística. El proyecto RISING, financiado con fondos europeos, abordará estos problemas mediante el desarrollo de un marco que comprende herramientas de aprendizaje automático para múltiples usos, que encontrarán una aplicación instantánea en simulaciones dinámicas de cúmulos estelares y simulaciones hidrodinámicas de sus nubes madre.
Objetivo
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.
Ámbito científico
Palabras clave
Programa(s)
Régimen de financiación
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Coordinador
35122 Padova
Italia