UTILIZZO DI METODOLOGIE DI MACHINE LEARNING PER OTTENERE STIME DELLE PROPRIETA’ FISICHE DELLE GALASSIE IN GRANDI CAMPIONI FOTOMETRICI E/O SPETTROSCOPICI

Responsabile: Marco Scodeggio

Descrizione: Per ottenere stime affidabili dei parametri fisici di una galassia, come ad esempio la sua massa stellare, la sua storia di formazione stellare, o la sua metallicità, si ricorre tradizionalmente al confronto tra le misure fotometriche ottenute per la galassia stessa ed un grande insieme di modelli sintetici della Spectral Energy Distribution delle galassie (in pratica ogni modello fornisce uno spettro sintetico che copre un ampio intervallo di lunghezze d'onda, dal quale si possono estrarre valori sintetici della fotometria, da confrontare con quella osservata).
Questa metodologia, ancorché molto diffusa ed in grado di fornire stime sufficientemente accurate dei parametri fisici delle galassie, presenta il "difetto" di richiedere tempi di calcolo relativamente lunghi (minuti, o anche decine di minuti per ogni galassia), che la rendono poco adatta nel caso si vogliano analizzare campioni costituiti da qualche milione di galassie, come avverrà per le survey future e per alcune delle survey già in via di realizzazione, come quella con il satellite Euclid. In questo progetto si propone di analizzare un insieme di metodologie di Machine Learning che possano sostituire la metodologia tradizionale di confronto tra la fotometria osservata ed i modelli sintetici di galassia, fornendo dei risultati di precisione paragonabile ma al tempo stesso riducendo i tempi di calcolo di un fattore compreso tra mille e dieci mila.

Durata: 3 mesi (versione "semplificata") o 9 mesi (lavoro completo)

Laurea: Triennale (versione "semplificata") o Magistrale (lavoro completo)

Prerequisiti: capacità di programmazione (di base), conoscenze di statistica (di base)