Soluciones cosmológicas de teorías alternativas de gravedad con redes neuronales

• Autores: Gómez Bachar, Luca Javier
• Año de publicación: 2024
• Idioma: español castellano
• Tipo de recurso: tesis de grado
• Colaborador/a o director/a de tesis: Landau, Susana Judith; Protopapas, Pavlos
• Institución: Universidad Nacional de Buenos Aires. Facultad de Ciencias Exactas y Naturales

La cosmología moderna ha logrado una descripción precisa del Universo a través del modelo estándar ΛCDM. El éxito de dicho modelo consiste en poder explicar la mayoría de los datos observacionales actuales. Sin embargo, presenta también algunos problemas tanto del punto de vista teórico como con la contrastación de los datos. Por este motivo, se estudian modelos cosmológicos alternativos. En este contexto, la inferencia de parámetros juega un rol central en la cosmología moderna, debido a que la determinación de estos permite realizar testeos de distintos modelos cosmológicos, algunos de los cuales introducen soluciones a las mencionadas fallas del modelo estándar. En los últimos tiempos, las técnicas de machine learning han sido aplicadadas con éxito al campo de la astrofísica y cosmología. Entre los métodos que se han desarrollado, existe uno que permite resolver ecuaciones diferenciales sin requerir de los métodos numéricos tradicionales. En esta tesis se entrenaron redes neuronales artificiales con el objetivo de resolver la ecuación diferencial que describe la evolución de las perturbaciones de materia en el Universo. Se estudiaron dos modelos cosmológicos diferentes: el modelo estándar de la cosmología (ΛCDM) y un modelo fenomenológico de gravedad modificada. En ambos casos se obtuvieron redes neuronales que presentaron errores menores al 1 % para todo el espacio de parámetros estudiado, comparando sus soluciones con las obtenidas a través de métodos numéricos tradicionales. Para poder emplear las soluciones de las redes en un análisis estadístico se utilizó el método bundle en el entrenamiento. Este método consiste en que las redes aprendan a resolver la ecuación, no solo en términos de la variable independiente, sino también en función de los parámetros que se desean inferir. Las soluciones obtenidas se emplearon para realizar la inferencia de parámetros cosmológicos a través del método de integración de montecarlo mediante cadenas de Markov (MCMC) donde se obtuvieron estimaciones para la densidad de energía en forma de materia Ωm0 y del parámetro σ8 que son compatibles con estimaciones actuales.
Fil: Gómez Bachar, Luca Javier. Universidad de Buenos Aires. Facultad de Ciencias Exactas y Naturales; Argentina.