MARC

 008250123s2024        us                              c    eng  d
■001000017162678
■00520250211152040
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798383599969
■035    ▼a(MiAaPQ)AAI31336608
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a523
■1001  ▼aJones,  Evan.
■24510▼aPhotometric  Redshift  and  Ellipticity  Measurements  for  Cosmology  With  Probabilistic  Neural  Networks
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a176  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Do,  Tuan  H.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aCosmological  weak  lensing  probes  can  inform  us  of  the  contents  and  evolution  of  the  universe,  including  the  properties  of  dark  matter  and  dark  energy,  which  collectively  make  up  ∼  95%  of  the  universe.  We  live  in  an  exciting  period  in  scientific  history;  large  scale  astronomical  surveys  such  as  the  Legacy  Survey  of  Space  and  Time  (LSST)  will  soon  provide  imaging  for  over  a  billion  celestial  objects,  which  timely  coincides  with  recent  advancements  in  probabilistic  image-based  machine  learning.  It  is  incumbent  on  scientists  to  leverage  recent  advancements  to  extract  as  much  information  as  possible  from  large  scale  astronomical  surveys  to  probe  our  universe.  This  thesis  contains  my  contribution  toward  this  objective.Precision  cosmological  measurements  require  accurate  data  analysis  with  precise  uncertainties.  The  two  critical  data  analysis  tasks  for  weak  lensing  cosmological  probes  are  1)  photometric  redshift  (photo-z)  estimation  and  2)  galaxy  shear  estimation.  These  quantities  allow  us  to  map  the  distribution  of  galaxies  in  the  sky  and  quantify  the  distribution  of  dark  matter.  Here  we  present  results  for  photo-z  estimation  and  galaxy  shape  estimation  using  probabilistic  neural  networks,  using  a  novel  dataset  derived  from  the  Hyper  Suprime-Cam  (HSC)  Survey.In  Chapter  1,  we  provide  an  introduction  to  weak  lensing  cosmological  probes,  photo-z  estimation,  and  shear  estimation.  In  Chapter  2,  we  introduce  the  machine-learning-ready  dataset  derived  from  HSC  consisting  of  galaxy  photometry,  galaxy  images,  and  spectroscopic  redshifts.  We  make  this  dataset  publicly  available  and  utilize  it  for  all  photo-z  estimation  analyses  in  this  work.  In  Chapter  3,  we  present  a  probabilistic  photo-z  estimation  model  using  a  Bayesian  neural  network  (BNN)  and  compare  its  performance  to  alternative  methods.  In  Chapter  4,  we  present  an  image-based  probabilistic  photo-z  estimation  model  using  a  Bayesian  convolutional  neural  network  (BCNN)  and  compare  its  performance  to  alternative  methods.  In  Chapter  5,  we  present  an  image-based  probabilistic  model  for  galaxy  ellipticity  estimation  (as  a  proxy  for  shear  estimation)  evaluated  on  HSC  galaxy  images  using  a  custom  BCNN.  In  the  Appendix  we  provide  a  roadmap  by  which  one  can  utilize  the  photo-z  and  potential  shear  estimation  models  in  this  thesis  to  perform  a  weak  lensing  measurement.
■590    ▼aSchool  code:  0031.
■650  4▼aAstrophysics
■650  4▼aAstronomy
■650  4▼aComputational  physics
■653    ▼aCosmology
■653    ▼aDark  energy
■653    ▼aDark  matter
■653    ▼aMachine  learning
■653    ▼aRedshift
■653    ▼aShear
■690    ▼a0596
■690    ▼a0606
■690    ▼a0800
■690    ▼a0216
■71020▼aUniversity  of  California,  Los  Angeles▼bAstronomy  and  Astrophysics  00EB.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162678▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서