Tesi di Laurea sul Lensing Gravitazionale

03/02/2020

Metodi per la ricerca automatica di sorgenti fortemente amplificate

La tesi prevede di sviluppare dei metodi per la scoperta automatica di sorgenti fortemente amplificate lungo le linee critiche di ammassi di galassie. In particolare, queste sorgenti verranno ricercate combinando dati spettroscopici integral-field ottenuti con lo spettrografo MUSE e osservazioni profonde con il telescopio Hubble. Si fara’ uso di modelli di lente costruiti usando metodi parametrici per individuare la posizione delle linee critiche delle lenti.

Per approfondire:

  • Metodi parametrici per la ricostruzione della distribuzione di materia negli ammassi di galassie: link 1, link 2
  • MUSE integral field spectroscopy: link 1
  • Ricerca di sorgenti amplificate: link 1, link 2

Requisiti:

  • minime competenze di programmazione in Python
  • conoscenza del Lensing Gravitazionale

Ricostruzione parametrica dell’ammasso Abell 370

Il lavoro di tesi consiste nella ricostruzione parametrica dell’ammasso Abell 370, uno dei sei ammassi che fanno parte degli Hubble Frontier Fields. La ricostruzione verra’ fatta seguendo l’approccio descritto in Bergamini et al. (2019), che prevede l’utilizzo di prior cinematici per la caratterizzazione delle galassie d’ammasso incluse nel modello di lente. I prior cinematici verranno ottenuti dall’analisi spettroscopica di dati MUSE.

Per approfondire:

  • Metodi parametrici per la ricostruzione della distribuzione di materia negli ammassi di galassie: link 1, link 2
  • Hubble Frontier Fields: link 1
  • A370: link 1, link 2

Requisiti:

  • conoscenza del Lensing Gravitazionale

Modellizzazione di sistemi di galaxy-galaxy-strong-lensing in ammassi di galassie

Diversi casi di galaxy-galaxy strong lensing sono stati scoperti in numerosi ammassi di galassie. Questi eventi possono servire per caratterizzare la distribuzione di materia su piccola scala negli ammassi e possono fornire informazioni importanti sull’evoluzione delle galassie d’ammasso. La tesi si propone di trovare il migliore approccio per la ricostruzione della distribuzione di materia nelle galassie lente. Questa operazione e’ complessa a causa del fatto che le lenti si trovano immerse in ambienti densi e sono pertanto perturbate da diverse altre componenti di massa. Si potra’ procedere in due modi: 1) studiando nel dettaglio alcuni esempi di GGSL osservati, ricostruendo le lenti usando tecniche parametriche; 2) provando a ricreare attraverso simulazioni numeriche le condizioni nelle quali le lenti galattiche producono i loro effetti e valutando quanto efficacemente le lenti stesse possono essere ricostruite.

Per approfondire:

Requisiti:

  • conoscenza del Lensing Gravitazionale

Ritardi temporali tra le immagini multiple di quasar e SNae in ammassi di galassie

La recente osservazione della Supernova “Refsdal” in MACS1149 ha reso possibile la misura di ritardi temporali anche in ammassi di galassie. Combinando queste misure con i vincoli astrometrici provevienti dall’osservazioni di altre famiglie di immagini multiple, e’ possibile ottenere stime di parametri cosmologici con il metodo detto “lensing cosmography”. Lo scopo di questa tesi e’ quello di studiare qual’e’ la precisione raggiungibile per queste stime e capire se alcune tipologie di lenti sono piu’ adatte di altre all’applicazione di questo metodo. Il lavoro consistera’ nell’utilizzare simulazioni numeriche per creare mocks da analizzare secondo i metodi correnti. I risultati verranno poi confrontati con i parametri di input delle simulazioni.

Per approfondire:

  • misure di time delay: link 1, link 2
  • metodi parametrici per la ricostruzione della distribuzione di materia negli ammassi di galassie: link 1, link 2

Requisiti:

  • conoscenza del Lensing Gravitazionale

Simulazioni di lensing forte in survey future

Lo scopo di questa tesi e’ di costruire un software per stimate la frequenza di eventi di lensing forte in survey future. Il software generera’ popolazioni di lenti (galassie e ammassi di galassie) e  costruira’ coni luce in diversi contesti cosmologici. Attraverso la misura delle sezione d’urto per il lensing forte, e data una popolazione di sorgenti (galassie, SNae, QSOs, ecc), fornira’ il numero atteso di lenti osservabili in funzione dei parametri osservativi.

Per approfondire:

  • simulazioni di lensing forte: link 1

Requisiti:

  • conoscenze di programmazione in Python
  • conoscenza del Lensing Gravitazionale

 

Determinazione dei parametri strutturali di lenti su scala galattica con tecniche di deep-learning

Questa tesi ha come scopo la costruzione di algoritmi di deep-learning in grado di inferire i parametri strutturali di una lente gravitazionale forte da dati di imaging multi-banda.  La prima fase del lavoro consisterà nel produrre numerosi esempi di lenti simulate. Successivamente queste lenti saranno usate per  il training e la validazione degli algoritmi sopra menzionati.

Per approfondire:

  • analisi automatica di lenti forti con reti neurali convolutive: link 1

Requisiti:

  • conoscenze di programmazione in Python
  • conoscenza del Lensing Gravitazionale

Auto-correlazione di dati spettroscopici integral field

La tesi ha come scopo quello di implementare un metodo di auto cross-correlazione di dati spettroscopici integral-field ottenuti con lo spettrografo MUSE per l’identificazione di oggetti in ammassi di galassie (ad esempio sorgenti multiple o galassie d’ammasso). Il metodo verrà sviluppato tramite TensorFlow per poter essere eseguito su Graphics Processing Units (GPU) in modo molto veloce. Tensorflow e’ una libreria open source per python che permette l’utilizzo trasparente del processore grafico. Oltre a tale metodo, la tesi prevede lo sviluppo di routine per la visualizzazione e analisi dei risultati, eventualmente tramite l’utilizzo di metodi di machine learning supervisionati e non-supervisionati.

Per approfondire:
  • Tutorial TensorFlow: link 1
  • Muse integral field spectroscopy: link 1
  • Esempio di tool che utilizza la cross-correlazione (EZ): link 1
Requisiti:
  • competenze medie di programmazione python, conoscenza dei principali pacchetti python per il calcolo numerico (numpy) e per l’analisi dati (scipy)