Vom Dunklen zum Licht: Die Verbindung zwischen Galaxien und ihren Halos aus Dunkler Materie durch die kosmische Zeit

• Antragsteller: Dr. Benjamin Moster
• Fachliche Zuordnung: Astrophysik und Astronomie
• Förderung: Förderung von 2015 bis 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 274846616

Die Entstehung und Entwicklung von Galaxien zählt zu den spannendsten physikalischen Forschungsthemen. Wie entstehen Galaxien, und was bestimmt ihre Eigenschaften? Was können uns Galaxien über die Natur des Universums und dessen Hauptbestandteile wie Dunkle Materie und Dunkle Energie sagen? Um diese Fragen zu beantworten, müssen wir Beobachtungen von Sternen und Gas mit den Voraussagen von kosmologischen Modellen vergleichen. Empirische Galaxienentstehungsmodelle liefern eine direkte Verbindung zwischen Galaxien und Halos aus Dunkler Materie, die nicht von Annahmen über baryonische Physik ausgeht, sondern nur von der Gravitation und beobachteten Galaxieneigenschaften abhängt. Während der ersten Phase des Emmy Noether Projekts haben wir das fortgeschrittenste empirische Galaxienentstehungsmodell EMERGE entwickelt, das der Entwicklung von einzelnen Galaxien nachgeht, indem es der aus numerischen Simulationen entnommenen Wachstumsgeschichte ihrer Halos folgt und empirische Beziehungen verwenden, um Galaxieneigenschaften wie die Sternentstehungsrate und Gasmasse zu erhalten. Das Hauptproblem dieser Herangehensweise ist es, passende parametrisierte Beziehungen zwischen Galaxien- und Haloeigenschaften zu finden. In diesem Projekt werden wir uns die enormen Fortschritte im Feld der künstlichen Intelligenz der letzten Jahre zunutze machen, und Methoden des maschinellen Lernens einsetzen, die automatisch Muster, wie die Verbindung zwischen Galaxien- und Haloeigenschaften, erkennen können. Zu diesem Zweck werden wir ein tiefes neuronales Netzwerk entwickeln, das die Eigenschaften eines Halos aus dunkler Materie als Eingangswerte verarbeitet und die Eigenschaften der Galaxie im Zentrum des Halos berechnet. Das Netzwerk wird zuerst durch überwachtes Lernen trainiert, mithilfe der Ergebnisse von EMERGE. Im nächsten Schritt werden wir das neuronale Netzwerk direkt mithilfe von beobachteten Daten trainieren, indem wir bestärkendes Lernen anwenden. Für je einen Satz von Gewichten im Netzwerk werden wir Scheinbeobachtungen berechnen, wie die stellare Massenfunktion, die Dichte der kosmische Sternentstehungsrate und die Galaxienhäufung und diese mit den beobachteten Daten mithilfe einer Verlustfunktion vergleichen. Wir werden Partikelschwarmoptimierung und evolutionäre Algorithmen verwenden, um die Verlustfunktion zu minimieren, und die Gewichte so zu bestimmen, dass die beobachteten Daten reproduziert werden. Sobald das Netzwerk trainiert ist, werden wir passende Parametrisierungen entnehmen und sie in EMERGE anwenden, sodass der Galaxienentwicklung selbstkonsistent gefolgt werden kann. Letztlich werden wir das trainierte Netzwerk der Gemeinschaft zur Verfügung stellen. So können die wissenschaftlichen Ergebnisse unserer Emmy Noether Gruppe leicht benutzt werden wodurch ein Vermächtnis entsteht.

• DFG-Verfahren: Emmy Noether-Nachwuchsgruppen