MARC

 008250123s2024        us                              c    eng  d
■001000017163326
■00520250211152653
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384448099
■035    ▼a(MiAaPQ)AAI31487214
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a523
■1001  ▼aSullivan,  James  M.
■24510▼aModern  Statistical  Methods  for  Large-Scale  Structure  Cosmology
■260    ▼a[Sl]▼bUniversity  of  California,  Berkeley▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a204  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-04,  Section:  B.
■500    ▼aAdvisor:  Seljak,  Uros.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Berkeley,  2024.
■520    ▼aThe  number  and  quality  of  large-scale  structure  (LSS)  surveys  is  already  stretching  current  methods  of  learning  about  cosmology  from  data  to  their  capacity.  However,  the  pace  of  data  streaming  in  will  increase  significantly,  with,  at  the  time  of  writing,  data  from  the  Dark  Energy  Spectroscopic  Instrument  (DESI),  Euclid,  Rubin,  Spectro-Photometer  for  the  History  of  the  Universe,  Epoch  of  Reionization  and  Ices  Explorer  (SPHEREx),  Spec-S5,  and  Roman  joining  existing  data  from  the  Baryon  Oscillation  Spectroscopic  Survey  (BOSS),  Dark  Energy  Survey  (DES),  and  Kilo  Degree  Survey  (KiDS)  as  well  as  CMB  lensing  data.  Maximally  extracting  cosmological  information  from  these  datasets  depends,  of  course,  on  high-fidelity  understanding  of  the  instruments  and  observational  effects  involved  in  generating  the  data.  But  more  fundamentally,  the  cosmological  information  accessed  with  these  surveys  is  generated  by  non-linear,  non-perturbative,  and  high-dynamic  range  physical  processes.In  the  face  of  highly-constraining  data,  accurate  and  precise  models  for  such  processes  are  necessarily  complex.  This  generates  several  challenges  for  using  them  to  access  cosmological  information.  However,  recent  advances  in  high-performance  computing  have  enabled  more  massive  and  high-resolution  cosmological  numerical  simulations  than  ever  before.  Simultaneously,  the  growth  of  Graphics  Processing  Units  (GPUs)  and  related  tooling,  such  as  methods  of  automatic  differentiation,  have  led  to  an  explosion  of  machine  learning  architectures  and  methods  for  working  with  high  dimensional  models  and  data,  with  concomitant  application  of  said  methods  to  cosmological  problems  by  the  LSS  community.  These  computational  advances  have  been,  and  will  continue  to  be,  drafted  into  the  service  of  extracting  cosmological  information  from  high-quality  data.  This  thesis  highlights  several  areas  where  recent  technological  developments  can  be  directly  translated  into  improved  methods  for  large-scale  structure  simulation  and  analysis.Increasingly  complex  models  generate  additional  parameters,  which,  though  typically  not  of  cosmological  interest,  must  be  included  and  varied  -  leading  to  a  more  challenging  inference  problem  and,  frequently,  to  less  interpretable  phenomenological  models  of  LSS.  One  machine-learning-informed  strategy  to  address  this  issue  in  the  context  of  simulation-based  prior  assumptions  is  outlined  in  Chapter  2,  while  a  more  direct  strategy  for  speeding  up  the  initial  phase  of  the  inference  procedure  using  machine  learning  methods  in  a  more  general  inference  context  is  the  subject  of  Chapter  5.More  straightforwardly,  raw  computational  cost  also  grows  when  numerical  models  are  asked  to  describe  a  wider  range  of  scales,  which  will  be  necessary  for  high-density  LSS  tracer  samples  covering  large  spatial  volumes  and  redshift  ranges.  Chapter  3  details  a  scheme  for  improving  numerical  simulation  efficiency,  therefore  reducing  this  growing  computational  cost  in  the  context  of  modeling  the  cosmological  impact  of  massive  neutrinos  on  LSS.  Numerical  simulations  that  attempt  to  model  galaxy  formation  in  a  cosmological  context  are  also  increasingly  being  used  to  inform  LSS  tracer  properties.  As  these  simulations  become  more  robust  in  their  determination  of  tracer  population  properties,  strategies  for  leveraging  these  properties  will  enhance  accessible  cosmological  information  from  surveys.  An  example  for  performing  such  leveraging  with  a  machine  learning-based  strategy  in  the  context  of  primordial  non-Gaussianity  is  outlined  in  Chapter  4.  Extending  methods  in  similar  directions  going  forward  will  enable  the  LSS  community  to  learn  the  most  possible  from  large-scale  structure  survey  data.
■590    ▼aSchool  code:  0028.
■650  4▼aAstrophysics
■650  4▼aPhysics
■650  4▼aAstronomy
■653    ▼aComputational  cosmology
■653    ▼aLarge-scale  structure
■653    ▼aBaryon  Oscillation  Spectroscopic  Survey
■653    ▼aKilo  Degree  Survey
■653    ▼aGraphics  Processing  Units
■690    ▼a0596
■690    ▼a0605
■690    ▼a0606
■71020▼aUniversity  of  California,  Berkeley▼bAstrophysics.
■7730  ▼tDissertations  Abstracts  International▼g86-04B.
■790    ▼a0028
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163326▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books