Improving cosmological simulations: Semi-analytic models, the internal structure of haloes, and machine learning techniques
- Autores: Daniel López Cano
- Directores de la Tesis: Raúl Angulo Díaz (dir. tes.)
- Lectura: En la Universidad Autónoma de Madrid ( España ) en 2024
- Idioma: inglés
- Número de páginas: 193
- Tribunal Calificador de la Tesis: Francisco Shu Kitaura Joyanes (presid.), Violeta González Pérez (secret.), Oliver Hahn (voc.)
- Programa de doctorado: Programa de Doctorado en Astrofísica por la Universidad Autónoma de Madrid
- Materias:
- Enlaces
- Tesis en acceso abierto en: Biblos-e Archivo
- Resumen
Esta tesis por compendio consiste en la recopilación de tres artículos científicos elaborados durante el transcurso de mis estudios doctorales. Estos artículos se enmarcan dentro del campo de la cosmología computacional y exploran distintos aspectos relacionados con el análisis y la interpretación de las simulaciones cosmológicas. Las simulaciones cosmológicas se basan en el empleo de algoritmos computacionales para estudiar el comportamiento de múltiples partículas bajo los efectos de la gravedad en un contexto cosmológico. Estas simulaciones sirven para caracterizar la formación de estructuras en el Universo y conectar las predicciones teóricas de modelos cosmológicos con las observaciones llevadas a cabo por telescopios encargados de registrar las posiciones y propiedades de cientos de millones de galaxias. En este documento, tras realizar una breve introducción al campo de la cosmología actual, pasaré a describir los tres trabajos principales que conforman esta tesis. En primer lugar explicaré cómo es posible usar ciertos modelos conocidos como "semi-analíticos" para poblar con galaxias simulaciones que sólo emplean la interacción gravitatoria para describir la formación de estructuras. De esta forma es posible conectar los resultados de simulaciones con los datos sobre posiciones de galaxias observados por telescopios espaciales o terrestres. En segundo lugar presentaré un modelo que hemos desarrollado capáz de predecir con precisión la estructura interna de halos de materia oscura, estructuras ligadas gravitacionalmente que generan los pozos de potencial gravitacional dentro de los cuales se forman las galaxias. Este modelo captura con precisión cómo depende la estructura interna de los halos en función su instante de formación, lo cual depende a su vez de otras propiedades tales cómo la masa de los propios halos, el tiempo cósmico en el cual se observan, y el modelo cosmológico subyacente aque se asume. Por último explicaré cómo es posible emplear un modelo basado en técnicas de aprendizaje automático para predecir las regiones en las condiciones iniciales de una simulación que acaban formando distintos halos de materia oscura. Este técnica emplea redes neuronales para caracterizar procesos complejos de formación de halos y puede ser empleada tanto para realizar predicciones rápidas, como para investigar qué aspectos en las condiciones iniciales juegan un papel relevante en la formación de halos. En conjunto, todos estos trabajos mejoran el análisis y la interpretación de las simulaciones cosmológicas. Además, muestran cómo el uso de ténicas novedosas como elaprendizaje automático pueden complementarse con métodos tradicionales para estudiar procesos de formación de estructuras. Todos estos avances resultan de capital importancia en el momento actual ya que las simulaciones cosmológicas son la herramienta principal empleada para intepretar los datos recogidos por nuevas campañas observacionales que registran la estructura a gran escala de nuestro universo a través de las posiciones de numerosas galaxias. A modo de conclusión, los métodos presentados en este trabajo ayudan a mejorar nuestro conocimiento en general sobre la estructura del Universo y oferen una perspectiva novedosa desde la cual investigar la situación actual de la cosmología observacional allanando el camino para futuras investigaciones.
