A Data Scientific Approach to Elucidate Multi-scale Physics of Galaxies in the Cosmos

阐明宇宙星系多尺度物理的数据科学方法

• 批准号: 22KJ1537
• 负责人: COORAY Suchetha
• 金额: $ 1.41万
• 依托单位: National Astronomical Observatory of Japan (2023)Nagoya University (2021-2022)
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for JSPS Fellows
• 财政年份: 2023
• 资助国家: 日本
• 起止时间: 2023-03-08 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-22KJ1537/
• 关键词: Galaxies; Magnetism; Machine Learning

Over the past year, my research has focused on three primary areas: the Galaxy Manifold and star formation history estimation. Utilizing unsupervised machine learning, I successfully identified two fundamental parameters that accurately represent galaxies, aligning with current understanding. Furthermore, I developed a method employing generative models to simulate star formation histories, enabling a better match with observations and advancing our comprehension of galaxy formation history. Additionally, I collaborated with the SKA-Japan Science working group on the cosmic magnetism project, exploring the observability of galactic magnetism through simulations and investigating alternative approaches to disentangle complex magnetic field structures.

在过去的一年里，我的研究主要集中在三个主要领域：银河流形和恒星形成历史估计。利用无监督机器学习，我成功地确定了两个准确代表星系的基本参数，与当前的理解相一致。此外，我开发了一种采用生成模型来模拟恒星形成历史的方法，能够更好地匹配观测结果并增进我们对星系形成历史的理解。此外，我还与 SKA-日本科学工作组合作开展宇宙磁力项目，通过模拟探索星系磁力的可观测性，并研究解开复杂磁场结构的替代方法。

项目成果

A Data-driven Model of Galaxy Star Formation Histories

星系恒星形成历史的数据驱动模型

• 发表时间: 2022
• 作者: Suchetha Cooray

Understanding Galaxy Evolution through Machine Learning

通过机器学习了解星系演化

• 发表时间: 2021
• 作者: Suchetha Cooray

Dimensionality Reduction to Understand Galaxies

通过降维来理解星系

• 发表时间: 2022
• 作者: Suchetha Cooray

Generative Modeling for Galaxy Star Formation Histories

星系恒星形成历史的生成模型

• 发表时间: 2022
• 作者: Suchetha Cooray

Disentangling the connection between present-day galaxies and their star formation histories

解开当今星系与其恒星形成历史之间的联系

• 发表时间: 2022
• 作者: Suchetha Cooray