Skip navigation

Use este identificador para citar ou linkar para este item: https://repositorio.ufpb.br/jspui/handle/123456789/33239
Tipo: TCC
Título: Método de aplicação de Redes Neurais Convolucionárias (CNN) para identificação de fusões de galáxias em dados simulados pelo Projeto Illustris
Autor(es): Almeida, Natali Cristina Moreira de
Primeiro Orientador: Cavalcante, Hugo Leonardo Davi de Souza
Resumo: Desde sua origem, o universo está em constante evolução, a qual inclui a formação e destruição de buracos negros, galáxias, estrelas e outras estruturas cosmológicas. Observar esta evolução permite compreender, descobrir e testar modelos e teorias relacionadas aos fundamentos da física, como o Big Bang, a relatividade, a existência de matéria e de energia escuras, etc. Além da observação experimental, os modelos teóricos podem ser testados em simulações computacionais, nas quais as variáveis teóricas podem ser controladas diretamente e o tempo acelerado ou invertido, permitindo análises impossíveis de se realizar em escalas reais. Os modelos recentes, entretanto, produzem uma vasta quantidade de dados, o que dificulta sua análise manual. O mesmo acontece com a vasta quantidade de imagens adquiridas pelos Telescópios Espaciais Hubble (HST) e James Webb (JWST). Para facilitar esta análise, demonstramos aqui o uso de Redes Neurais Convolucionais (CNNs) para identificar fusões de galáxias em dados simulados pelo projeto Illustris. Reproduzimos com sucesso alguns resultados da literatura, aperfeiçoando os hiper parâmetros da rede neural para permitir uma convergência mais rápida e mais confiável. A coleta de dados foi realizada em plataformas de acesso livre, GitHub e Instituto de Ciência do Telescópio Espacial (STSI). O código-fonte desenvolvido também está disponibilizado à comunidade, para que possa ser usado neste e outros problemas, e aprimorado. Esperamos assim contribuir com o uso de redes neurais e inteligência artificial não apenas na área de astrofísica, mas em outros problemas que necessitem de classificação de imagens e que disponham de uma grande base de dados.
Abstract: Since its origin, the universe has been in constant evolution, which includes the formation and destruction of black holes, galaxies, stars, and other cosmological structures. Observing this evolution allows us to understand, discover, and test models and theories related to the foundations of physics, such as the Big Bang, relativity, the existence of dark matter and dark energy, etc. In addition to experimental observation, theoretical models can be tested in computer simulations, in which theoretical variables can be directly controlled and time accelerated or reversed, allowing analyses that are impossible to perform on real scales. Recent models, however, produce a vast amount of data, which makes their manual analysis difficult. The same is true for the vast amount of images acquired by the Hubble Space Telescope (HST) and James Webb Space Telescope (JWST). To facilitate this analysis, we demonstrate here the use of convolutional neural networks (CNNs) to identify galaxy mergers in data simulated by the Illustris project. We successfully reproduced some results from the literature, improving the hyperparameters of the neural network to allow faster and more reliable convergence. Data collection was performed on open-access platforms, GitHub, and the Space Telescope Science Institute (STSI). The source code developed is also made available to the community so that it can be used in this and other problems and improved. We hope to contribute to the use of neural networks and artificial intelligence not only in astrophysics but also in other problems that require image classification and that have a large database.
Palavras-chave: Redes Neurais Convolucionais - CNN
Fusão de galáxias
Classificação de imagens
Projeto Illustris
Astrofísica computacional
Física
CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::FISICA::AREAS CLASSICAS DE FENOMENOLOGIA E SUAS APLICACOES
Idioma: por
País: Brasil
Editor: Universidade Federal da Paraíba
Sigla da Instituição: UFPB
Departamento: Física
Tipo de Acesso: Acesso aberto
URI: https://repositorio.ufpb.br/jspui/handle/123456789/33239
Data do documento: 25-Out-2024
Aparece nas coleções:TCC - Física

Arquivos associados a este item:
Arquivo Descrição TamanhoFormato 
NCMA24012025 .pdf2,78 MBAdobe PDFVisualizar/Abrir


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.