MARC

 008260126s2025        us                              c    eng  d
■001000017359890
■00520260202105232
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291567371
■035    ▼a(MiAaPQ)AAI32271904
■035    ▼a(MiAaPQ)umichrackham006324
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aMendoza  Serrano,  Ismael  Salvador.
■24510▼aMethods  for  Weak  Lensing  Systematics  in  the  Era  of  the  Vera  C.  Rubin  Observatory
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a157  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-03,  Section:  B.
■500    ▼aAdvisor:  Avestruz,  Camille.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aOne  of  the  biggest  mysteries  in  Cosmology  today  relates  to  the  nature  of  dark  energy.  Dark  energy  drives  the  observed  cosmic  expansion  of  the  universe  by  counteracting  the  effects  of  gravity.  The  existence  of  dark  energy  could  imply  an  exotic  new  type  of  substance,  or  the  breakdown  of  General  Relativity  at  cosmological  scales.  Any  of  these  options  would  have  significant  implications  for  fundamental  physics.  Modern  dark  energy  surveys,  such  as  the  Vera  C.  Rubin  Observatory  Legacy  Survey  of  Space  and  Time  (LSST),  are  designed  to  improve  our  understanding  of  dark  energy  by  precisely  measuring  its  properties.A  powerful  probe  of  dark  energy  is  weak  lensing,  which  refers  to  the  deflection  of  light  rays  from  distant  astronomical  sources  due  to  matter  along  their  path  to  us.  Weak  lensing  induces  a  coherent  alignment  of  observed  galaxy  shapes  which  directly  depends  on  the  integrated  matter  density  along  the  line  of  sight,  so-called  cosmic  shear.  Measurements  of  cosmic  shear  can  be  used  to  understand  the  distribution  and  evolution  of  matter  in  our  Universe,  which  in  turn  allow  us  to  constrain  dark  energy  properties.  LSST  will  dramatically  increase  the  statistical  power  of  weak  lensing  surveys  by  observing  tens  of  billions  of  galaxies  during  its  10  year  mission.  However,  their  power  will  be  limited  by  a  wide  range  of  theoretical  and  observational  systematics.This  thesis  develops  software  tools  and  algorithms  to  explore  and  mitigate  weak  lensing  related  systematics  the  LSST  survey  will  face.  One  such  systematic  is  blending,  which  refers  to  the  visual  overlap  of  light  sources  in  astronomical  images.  Given  the  increased  depth  and  number  density  of  sources  in  LSST,  we  expect  a  large  fraction  of  observable  sources  will  be  blended.  Blending  can  create  several  types  of  biases  in  weak  lensing  measurements,  and  some  of  these  remain  unaccounted  for  by  contemporary  algorithms.First,  we  present  a  software  package,  the  BlendingToolKit,  with  the  goal  of  providing  a  framework  to  study  blending-related  measurement  biases  in  a  controlled  way.  It  provides  customizable  simulations  of  galaxy  blends;  a  framework  to  standardize  the  input  and  output  of  deblenders;  and  a  library  of  relevant  metrics  related  to  detection,  morphology  reconstruction,  and  flux  recovery  of  these  sources.  This  package  is  actively  being  used  in  the  LSST  Dark  Energy  Science  Collaboration  to  aid  the  development  of  new  deblending  methods.The  next  portion  of  the  thesis  is  devoted  to  a  probabilistic  algorithm  to  mitigate  blending-related  biases:  BLISS.  This  novel  method  uses  simulation  based  inference  (SBI)  to  produce  a  probabilistic  catalog  of  blended  galaxies  which  captures  corresponding  measurement  uncertainty.  We  test  our  approach  in  LSST-like  image  simulations  and  demonstrate  a  significant  improvement  in  recovering  the  flux  of  highly  blended  sources.Finally,  we  present  a  modern  implementation  of  the  hierarchical  Bayesian  shear  inference  framework  in  Schneider  et  al.  2015.  Our  implementation  leverages  GPUs  and  gradient-based  samplers  to  improve  upon  its  runtime  by  an  order  of  magnitude.  We  rigorously  test  our  algorithm  on  a  set  of  300k  isolated  parametric  galaxies  with  realistic  pixel  and  shape  noise  levels.  We  find  that  resulting  shear  measurements  present  no  significant  level  of  pixel  noise  bias,  and  that  these  meet  the  LSST  requirement.Together,  these  three  studies  represent  a  significant  contribution  towards  leveraging  modern  statistical  and  hardware  tools  to  reduce  the  impact  of  image-level  systematics  in  weak  lensing  measurements  for  dark  energy  surveys.
■590    ▼aSchool  code:  0127.
■650  4▼aStatistics
■650  4▼aPhysics
■650  4▼aAstronomy
■650  4▼aAstrophysics
■653    ▼aCosmology
■653    ▼aWeak  lensing
■653    ▼aCosmic  shear
■653    ▼aGalaxy  blending
■653    ▼aBayesian  statistics
■653    ▼aMachine  learning
■690    ▼a0606
■690    ▼a0605
■690    ▼a0463
■690    ▼a0596
■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=T17359890▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서