MARC

 008260126s2025        us                              c    eng  d
■001000017360484
■00520260202105534
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798263348496
■035    ▼a(MiAaPQ)AAI32310079
■035    ▼a(MiAaPQ)GeorgiaTech77936
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a523
■1001  ▼aSethuram,  Snigdaa  S.
■24510▼aIntegrating  Machine  Learning  Techniques  for  Streamlined  Predictive  Modeling  in  Cosmological  Applications
■260    ▼a[Sl]▼bGeorgia  Institute  of  Technology▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a142  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-05,  Section:  B.
■500    ▼aAdvisor:  Wise,  John  H.
■5021  ▼aThesis  (Ph.D.)--Georgia  Institute  of  Technology,  2025.
■520    ▼aThe  field  of  astrophysics  has  developed  alongside  humanity  for  many  centuries,  and  is  unique  in  our  inability  to  directly  conduct  "experiments"  on  astrophysical  objects.  Historically,  astrophysics  has  largely  been  observational  and  theoretical  in  nature,  but  with  the  advent  of  computers  and  their  increasing  capabilities,  the  field  of  computational  astrophysics  has  accelerated  our  understanding  of  the  universe  profoundly.  Simulations  provide  a  type  of  sandbox  in  which  we  can  better  understand  the  objects  we  observe  and  explore  our  universe  in  greater  detail.As  Moore's  Law  has  played  out  in  the  development  of  computer  architectures,  computational  astrophysics  has,  in  parallel,  evolved  from  simplistic  analytical  models  to  highly  sophisticated  simulations  capturing  a  wide  dynamic  range  of  physical  processes.  The  rapid  development  of  deep  learning  models  in  recent  years  has  the  potential  to  transform  this  landscape,  making  simulations  significantly  more  efficient  and  accessible.  Traditional  high-fidelity  simulations  are  extremely  useful  and  essential  for  capturing  complex  cosmic  phenomena,  but  are  often  prohibitively  expensive  in  terms  of  time  and  resources.  By  integrating  deep  learning  techniques,  we  can  now  emulate  intricate  physical  processes  with  remarkable  speed  and  accuracy,  exploring  broader  parameter  spaces  and  delving  into  more  detailed  astrophysical  models.  This  breakthrough  not  only  enhances  our  ability  to  study  the  universe  at  unprecedented  scales  but  also  opens  new  avenues  for  investigating  complex  physics  that  were  previously  out  of  reach.In  this  dissertation,  I  leverage  machine  learning  (ML)  and  data  analysis  techniques  to  optimize  simulation  runtimes  and  processing,  with  an  emphasis  on  the  early  universe.  The  projects  presented  herein  demonstrate  how  targeted  computational  strategies  can  streamline  astrophysical  simulations  and  provide  valuable  insights  to  inform  observational  efforts.1.1  Background  and  Motivation1.1.1  The  Early  Universe  and  the  Epoch  of  ReionizationThe  formation  of  the  first  stars  and  galaxies  represents  a  crucial  turning  point  in  the  evolution  of  cosmic  structure,  signaling  the  end  of  the  cosmic  "Dark  Ages."  Prior  to  this,  around  400,000  years  after  the  Big  Bang,  the  universe  had  expanded  and  cooled  sufficiently  for  its  temperature  to  drop  below  3,000  K.  This  cooling  allowed  free  electrons  and  protons  to  combine  into  neutral  hydrogen  and  helium,  a  process  known  as  recombination.  As  a  consequence,  photons,  no  longer  scattered  by  free  electrons,  began  to  travel  freely  through  space,  leading  to  the  decoupling  of  radiation  from  matter.  This  moment  left  behind  a  relic  imprint  known  as  the  Cosmic  Microwave  Background  (CMB)  and  marked  the  onset  of  the  Dark  Ages,  which  lasted  approximately  200  million  years  before  the  first  luminous  sources  emerged.  A  general  schematic  of  the  evolution  of  the  universe  is  shown  in  Figure  1.1.These  primordial  galaxies  hosted  a  diverse  population  of  astrophysical  sources  that  played  a  transformative  role  in  reshaping  the  early  Universe.  At  their  core  were  the  first  generations  of  stars:  the  metal-free  massive,  short-lived  Population  III  (Pop  III)  stars,  which  were  composed  almost  entirely  of  hydrogen  and  helium,  as  they  formed  before  any  significant  metal  enrichment  had  occurred.  Their  violent  deaths  -  through  supernovae  and  direct-collapse  mechanisms  -  seeded  the  cosmos  with  the  first  heavy  elements,  paving  the  way  for  the  emergence  of  second-generation  metal-poor  Population  II  (Pop  II)  stars,  which  contained  trace  amounts  of  metals  and  continued  to  shape  early  galactic  evolution.
■590    ▼aSchool  code:  0078.
■650  4▼aAstrophysics
■650  4▼aStar  &  galaxy  formation
■650  4▼aDeep  learning
■650  4▼aGravity
■650  4▼aHydrogen
■650  4▼aRadiation
■650  4▼aCosmology
■650  4▼aMiddle  Ages
■650  4▼aCooling
■650  4▼aSpace  telescopes
■650  4▼aBlack  holes
■650  4▼aDark  matter
■650  4▼aNeural  networks
■650  4▼aStars  &  galaxies
■650  4▼aSupernovae
■650  4▼aFluid  mechanics
■650  4▼aUniverse
■650  4▼aAstronomy
■650  4▼aOptics
■650  4▼aTheoretical  physics
■690    ▼a0800
■690    ▼a0204
■690    ▼a0596
■690    ▼a0606
■690    ▼a0752
■690    ▼a0753
■71020▼aGeorgia  Institute  of  Technology.
■7730  ▼tDissertations  Abstracts  International▼g87-05B.
■790    ▼a0078
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17360484▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서