MARC

 008250123s2024        us                              c    eng  d
■001000017161816
■00520250211151449
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382777269
■035    ▼a(MiAaPQ)AAI31296632
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aTsang,  Arthur  Leonard.▼0(orcid)0000-0002-2935-8933
■24510▼aStrong  Lensing,  Dark  Perturbers,  and  Machine  Learning
■260    ▼a[Sl]▼bHarvard  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a171  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Dvorkin,  Cora.
■5021  ▼aThesis  (Ph.D.)--Harvard  University,  2024.
■520    ▼aObservations  of  the  Universe  generally  support  ΛCDM,  but  since  distant  structures  ≲  109  \uD835\uDC40⊙  are  usually  too  dim  to  observe,  their  properties  are  still  poorly  constrained.  Competing  particle  models  of  Dark  Matter  (DM)  make  different  predictions,  so  these  scales  can  teach  us  about  the  nature  of  DM,  even  in  the  absence  of  a  direct  detection.  A  promising  probe  is  to  use  the  subtle  gravitational  lensing  effect  of  these  dim  structures,  which  is  directly  sensitive  to  mass  rather  than  luminosity.  This  effect  is  too  weak  to  measure  on  its  own,  but  a  strong  gravitational  lens,  where  one  background  object  is  lensed  and  appears  (distorted)  in  multiple  places,  provides  enough  additional  redundancy  that  the  different  copies  of  the  background  object  can  be  compared  and  analyzed  for  weak  gravitational  perturbations.This  thesis  consists  of  three  parts.  (1)  We  study  the  combined  statistical  effect  of  many  small  gravitational  perturbers.  These  come  in  two  varieties,  subhalos  and  interlopers.  Subhalos  physically  lie  within  the  main  lens  (a  galactic  halo),  whereas  interlopers  are  aligned  by  chance  along  the  line  of  sight.  The  statistical  effect  due  to  subhalos  has  been  studied  before,  but  we  show  that  interlopers  are  most  likely  the  dominant  component  and  certainly  cannot  be  ignored  in  future  analyses.  (2)  We  analyze  a  real  observation  of  a  strong  lens  known  to  harbor  a  relatively  large,  individually  detectable  perturber.  We  reanalyze  the  system  and  find  the  perturber  is  better  fit  as  a  line-of-sight  interloper  rather  than  a  subhalo  as  initially  assumed.  (3)  We  demonstrate  how  machine  learning  can  accelerate  the  processing  required  to  find  individual  perturbers.  This  is  pertinent  because  we  expect  of  order  105  strong  lenses  discovered  by  2030,  and  traditional  sampling-based  methods  are  too  computationally  expensive  to  scale  to  this  influx  of  data.  We  demonstrate  that  a  UNet  can  find  individual  subhalos  in  realistic  simulated  lenses,  but  the  substructure  must  have  a  high  concentration  parameter.
■590    ▼aSchool  code:  0084.
■650  4▼aPhysics
■650  4▼aAstrophysics
■650  4▼aStatistical  physics
■650  4▼aComputational  physics
■653    ▼aCosmology
■653    ▼aDark  matter
■653    ▼aGravitational  lensing
■653    ▼aMachine  learning
■653    ▼aLine-of-sight
■690    ▼a0605
■690    ▼a0596
■690    ▼a0217
■690    ▼a0216
■71020▼aHarvard  University▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0084
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17161816▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books