Die Geschichte unserer Milchstraße mit Hilfe von gefalteten neuronalen Netzwerken: das Versprechen von Gaia und 4MOST einlösen

• Antragsteller: Dr. Guillaume Guiglion, Ph.D.
• Fachliche Zuordnung: Astrophysik und Astronomie
• Förderung: Förderung seit 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 511098263

Eines der aktuellen Probleme der Astrophysik ist die Aufdeckung der dynamischen Prozesse und der Elementanreicherung, die die Entstehung der Milchstraße und ihrer Satellitengalaxien, so wie die große und kleine magellansche Wolke, bestimmen. Ins Detail gehende Beobachtungen in diese Galaxien können wertvolle Einsichten in die allgemeine Galaxienentwicklung in einem von dunkler Materie dominierten Universum liefern. Da die photosphärischen Elementhäufigkeiten von FGK Sternen über lange Zeit stabil bleiben, erlauben sie es als fossile Nachweise zurück in der Zeit zu blicken und die Eigenschaften der Materie zu bestimmen aus der der Stern geboren wurde. Die Elementhäufigkeiten in Sternen erlauben es, stellare Populationen sehr detailliert auseinanderzuhalten und robuste Hinweise auf die Nukleosynthese der verschiedenen Elemente im Universum zu erhalten. Genau deswegen ist es so wichtig, präzise Elementhäufigkeiten in Sternen zu messen. Mit diesem Ziel haben Astronomen viel Mühe aufgewandt um große spektroskopische Durchmusterungen wie RAVE und APOGEE durchzuführen. Die nächste Generation solcher Durchmusterungen, wie zum Beispiel 4MOST und Gaia-RVS, werden mehrere zehn Millionen Spektren sammeln, was wiederum neue Herausforderungen bei der genauen Messung von Elementhäufigkeiten mit sich bringt. Bei solch großen Datenvolumina ist es besonders wichtig, effiziente Analysetechniken einzusetzen. In den letzten Jahren hat sich gezeigt, dass insbesondere das maschinelle Lernen hier ein besonderes Potential hat. Vor diesem Hintergrund möchte ich eine besonders ausgefeilte, moderne Pipeline zur Datenanalyse entwickeln, die gefaltete neuronale Netzwerke nutzt um sehr genau und sehr schnell atmosphärische Parameter und Elementhäufigkeiten unter Ausnutzung der Daten der Gaia-RVS Weltraummission und der 4MOST Durchmusterung zu bestimmen. Zusätzlich werden auch Alter, Massen und Kinematik bestimmt. Mit den Synergiepotentialen von Elementhäufigkeiten, Kinematik und Alter ist der Boden bereitet um einige einschlägige Fragen zu beantworten: Ich werde die Schnittstelle zwischen Halo und Scheibe der Milchstraße über die Dynamik und Elementhäufigkeiten beschreiben. Ich werde ebenso die chemische Entwicklung von Lithium und anderen Elementen, die durch Neutroneneinfang gebildet werden, in der Milchstraße und den magellanschen Wolken mit Hilfe von 4MOST Daten untersuchen. Das langfristige Ziel ist es, maschinelles Lernen zur Grundlage für die Auswertung auch der nächsten Generation an spektroskopischen Durchmusterungen zu machen.

• DFG-Verfahren: Sachbeihilfen