MARC

 008260126s2025        us                              c    eng  d
■001000017357458
■00520260202103515
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798280748767
■035    ▼a(MiAaPQ)AAI32038014
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a530
■1001  ▼aDropulic,  Adriana.▼0(orcid)0000-0002-7352-6252
■24510▼aDisrupting  Satellites  and  Dark  Matter:  Mapping  the  Milky  Way's  Hidden  Structure
■260    ▼a[Sl]▼bPrinceton  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a195  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  B.
■500    ▼aAdvisor:  Lisanti,  Mariangela.
■5021  ▼aThesis  (Ph.D.)--Princeton  University,  2025.
■520    ▼aThe  standard  cosmological  model,  ΛCDM,  successfully  describes  the  large-scale  structure  of  the  universe  but  faces  challenges  at  galactic  scales,  particularly  in  its  predictions  for  low-mass,  dark  matter-dominated  satellite  galaxies  undergoing  tidal  disruption.  The  tidal  debris  from  these  satellites,  which  form  the  bulk  of  galactic  substructure,  offer  a  critical  testing  ground  for  both  baryonic  and  dark  matter  physics.  This  thesis  utilizes  theory,  simulations,  and  observational  data  to  advance  our  understanding  of  tidal  debris  populations  and  their  implications  for  galaxy  formation  and  dark  matter  models.  To  maximize  the  scientific  potential  of  ongoing  and  future  Galactic  surveys,  I  develop  a  novel  machine  learning  technique  to  infer  missing  stellar  kinematic  information.  In  early  data  releases  from  the  Gaia  mission,  many  stars  lack  line-of-sight  velocity  measurements,  limiting  their  usefulness  in  kinematic  studies.  I  design  and  implement  a  neural  network  that  reconstructs  these  velocities,  ultimately  applying  it  to  Gaia  EDR3  to  infer  velocities  for  ∼  92  million  stars.  This  approach  enables  the  identification  and  characterization  of  stars  likely  associated  with  the  Milky  Way's  most  significant  recent  merger,  Gaia-Sausage-Enceladus.  Next,  I  examine  how  the  abundance  and  dynamics  of  populations  of  disrupting  satellites  are  impacted  by  host  galaxy  properties  by  developing  a  novel,  statistical  approach.  Using  a  suite  of  Milky  Way-mass  systems  generated  by  a  semi-analytic  galaxy  formation  model,  I  show  that  variance  across  galaxies  dominates  the  effects  of  specific  host  galaxy  structural  parameters  on  the  abundance  and  dynamics  of  tidal  debris.  These  findings  highlight  the  need  to  account  for  host  galaxy  diversity  in  near-field  cosmology,  especially  when  assessing  potential  small-scale  tensions  with  ΛCDM.  Finally,  I  use  a  cosmological  simulation  to  investigate  how  an  LMC-like  satellite  perturbs  the  morphology  and  kinematics  of  stellar  streams  in  a  Milky  Way-mass  galaxy.  By  systematically  separating  the  satellite's  direct  gravitational  influence  from  its  indirect  effects  on  the  host  galaxy's  evolving  potential,  I  underscore  the  importance  of  accounting  for  significant  satellite-induced  perturbations  and  host  halo  responses  when  interpreting  stellar  stream  observations.  By  harnessing  theory,  machine  learning,  simulations,  and  Galactic  data,  this  thesis  provides  new  insights  into  the  nature  of  tidal  debris  and  its  role  in  refining  our  understanding  of  dark  matter  and  galaxy  evolution.
■590    ▼aSchool  code:  0181.
■650  4▼aPhysics
■650  4▼aAstrophysics
■650  4▼aQuantum  physics
■650  4▼aAstronomy
■653    ▼aDark  matter  physics
■653    ▼aGalaxies
■653    ▼aMachine  learning
■653    ▼aMilky  Way
■653    ▼aStars
■653    ▼aTidal  disruption
■690    ▼a0605
■690    ▼a0596
■690    ▼a0599
■690    ▼a0606
■71020▼aPrinceton  University▼bPhysics.
■7730  ▼tDissertations  Abstracts  International▼g86-12B.
■790    ▼a0181
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357458▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books