Opis projektu
Ulepszone symulacje do obserwacji gwiazd
Nasze zainteresowanie astronomią sięga czasów starożytnych. Astronomia, dzięki rozwojowi i udoskonaleniom oraz wykorzystaniu bardziej zaawansowanego sprzętu i wiedzy naukowej, cieszy się niezmienną popularnością aż do dziś. Obecnie badania astronomiczne opierają się w dużym stopniu na symulacjach. Niestety, nie ma możliwości praktycznego zmierzenia czynnika realizmu w symulacji, a symulacje numeryczne są zwykle zbyt wolne i kosztowne, by stosować je w prototypowaniu nowych technik lub do poprawy istotności statystycznej. Finansowany przez UE projekt RISING zajmie się tymi kwestiami poprzez opracowanie ram obejmujących różnorodne narzędzia uczenia maszynowego, które znajdą natychmiastowe zastosowanie w dynamicznych symulacjach gromad gwiazd i hydrodynamicznych symulacjach ich obłoków macierzystych.
Cel
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.
Dziedzina nauki
Słowa kluczowe
Program(-y)
Temat(-y)
System finansowania
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Koordynator
35122 Padova
Włochy