MARC

 008260126s2025        us                              c    eng  d
■001000017359853
■00520260202105225
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291566633
■035    ▼a(MiAaPQ)AAI32271845
■035    ▼a(MiAaPQ)umichrackham006262
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a523
■1001  ▼aRobinson,  David  B.
■24510▼aLeveraging  Machine  Learning  and  Hydrodynamic  Simulations  of  Galaxy  Formation  to  Illuminate  the  Effects  of  Incident  Radiation  Fields  on  Atomic  Gas  Cooling  and  Heating  Functions
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a174  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Avestruz,  Camille.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aGalaxies  and  stars  form  out  of  clouds  of  gas  that  collapse  under  the  influence  of  gravity.  This  collapse  stops  when  the  gas  heats  up  enough  for  its  outward  thermal  pressure  to  counteract  the  gravitational  compression.  The  cooling  and  heating  functions  of  gas  determine  how  efficiently  gas  can  cool  down  and  heat  up  by  respectively  emitting  or  absorbing  photons.  Gas  thermodynamics  drives  the  formation  and  evolution  of  galaxies.  In  this  dissertation,  we  explore  how  locally  varying  radiation  fields  impact  gas  cooling  and  heating  functions.  We  begin  with  a  discussion  of  galaxy  formation  and  evolution,  and  the  atomic  line  emission  and  ionization  processes  that  cool  and  heat  interstellar  gas.  We  also  describe  the  main  computational  tools  used  in  this  dissertation:  photoionization  codes,  hydrodynamic  simulations,  and  machine  learning.    We  then  present  results  from  galaxies  simulated  by  the  Cosmic  Reionization  on  Computers  (CROC)  project,  a  hydrodynamic  simulation  of  the  Epoch  of  Reionization  (EoR).  The  EoR  is  the  era  when  ionizing  radiation  from  early  galaxies  and  stars  caused  the  gas  in  the  intergalactic  medium  to  transition  from  neutral  to  ionized.  We  find  that  the  cooling  and  heating  functions  of  gas  in  these  simulated  galaxies  cannot  be  well-described  with  a  spatially  constant  radiation  field,  demonstrating  the  necessity  of  accurately  accounting  for  spatial  variations  in  the  radiation  field  intensity.    Next,  we  apply  a  machine  learning  approach  to  the  problem  of  accurately  approximating  cooling  and  heating  functions  in  a  locally  varying  radiation  field.    We  train  models  to  predict  cooling  and  heating  functions  at  fixed  metallicity  using  gas  properties  and  four  or  more  photoionization  rates  describing  the  radiation  field.    These  models  are  able  to  compute  cooling  and  heating  functions  more  accurately  than  existing  interpolation  table  methods.    At  arbitrary  metallicity,  we  are  able  to  reduce  the  frequency  of  the  largest  errors  compared  to  an  interpolation  table  approach.  Interpolating  between  fixed  metallicity  models  is  the  main  bottleneck  to  further  improvement.  In  a  corollary  study,  we  train  machine  learning  models  where  the  only  radiation  field  parameters  are  its  average  intensity  in  various  energy  bins.  We  find  that  only  three  bins  (one  just  below  and  one  just  above  the  hydrogen  ionization  energy,  and  one  bin  corresponding  to  high  energy  photons)  are  sufficient  to  accurately  capture  the  cooling  and  heating  behavior  at  fixed  metallicity.    Finally,  to  investigate  the  effects  of  these  various  modeling  choices  in  a  physical  context,  we  implement  one  set  of  our  machine  learning  cooling  and  heating  models  into  a  hydrodynamic  simulation  of  an  isolated  galaxy.  To  assess  the  effects  of  improved  accuracy  in  cooling  and  heating  function  approximations,  we  compare  the  gas  temperature-density  phase  diagrams  of  this  simulation  to  the  same  simulation  with  cooling  and  heating  rates  calculated  using  an  interpolation  table.      This  dissertation  lays  groundwork  for  more  accurate  modeling  of  baryonic  processes  in  next-generation  hydrodynamic  simulations.  This  will  improve  our  understanding  of  both  systematic  errors  from  baryonic  uncertainties  in  the  constraints  on  cosmological  parameters  from  large-scale  structure  surveys  and  our  understanding  of  gas  physics  in  galaxy  formation.
■590    ▼aSchool  code:  0127.
■650  4▼aAstrophysics
■650  4▼aPhysics
■650  4▼aAstronomy
■653    ▼aGalaxy  formation
■653    ▼aMachine  learning
■653    ▼aGalaxies
■653    ▼aHydrodynamics
■653    ▼aRadiation
■653    ▼aGas  cooling
■690    ▼a0605
■690    ▼a0596
■690    ▼a0606
■71020▼aUniversity  of  Michigan▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g87-03B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17359853▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서