Mapping the Extreme Universe with deep neural networks: from simulations to Rubi...
Mapping the Extreme Universe with deep neural networks: from simulations to Rubin-LSST data
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...
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.ver más
06-11-2024:
IDAE Cadena de Valor...
Se ha cerrado la línea de ayuda pública: Ayudas a Proyectos para reforzar la Cadena de Valor de equipos necesarios para la transición a una economía de cero emisiones netas
05-11-2024:
Cataluña Gestión For...
Se abre la línea de ayuda pública: Gestión Forestal Sostenible para Inversiones Forestales Productivas para el organismo:
04-11-2024:
Doctorados industria...
Se ha cerrado la línea de ayuda pública: Formación de doctores y doctoras de las universidades del Sistema universitario de Galicia (SUG) en empresas y centros de innovación y tecnología para el organismo:
Seleccionando "Aceptar todas las cookies" acepta el uso de cookies para ayudarnos a brindarle una mejor experiencia de usuario y para analizar el uso del sitio web. Al hacer clic en "Ajustar tus preferencias" puede elegir qué cookies permitir. Solo las cookies esenciales son necesarias para el correcto funcionamiento de nuestro sitio web y no se pueden rechazar.
Cookie settings
Nuestro sitio web almacena cuatro tipos de cookies. En cualquier momento puede elegir qué cookies acepta y cuáles rechaza. Puede obtener más información sobre qué son las cookies y qué tipos de cookies almacenamos en nuestra Política de cookies.
Son necesarias por razones técnicas. Sin ellas, este sitio web podría no funcionar correctamente.
Son necesarias para una funcionalidad específica en el sitio web. Sin ellos, algunas características pueden estar deshabilitadas.
Nos permite analizar el uso del sitio web y mejorar la experiencia del visitante.
Nos permite personalizar su experiencia y enviarle contenido y ofertas relevantes, en este sitio web y en otros sitios web.