Instituição de defesa: CBPF - Centro Brasileiro de Pesquisas Físicas

Resumo: Com novas e futuras pesquisas esperando uma quantidade sem precedentes de dados de lentes gravitacionais fortes, o desenvolvimento de métodos de modelagem rápidos e automatizados que sejam capazes de prever incertezas confiáveis é crucial para a ciência derivada desses fenômenos. Recentemente, métodos baseados em Redes Neurais têm atraído muito interesse devido à alta performance e alta aplicabilidade em análise de grande volume de dados. Neste trabalho, relatamos a aplicação da Neural Posterior Estimation, um método de Simulation-Based Inference para inferir o raio de Einstein, dispersão de velocidade da galáxia de lente e redshifts de ambas as galáxias lente e fonte em imagens simuladas realistas baseadas na DEcam. Também é analisada a confiabilidade dos posteriores gerados pelos modelos. Nós discutimos algumas das limitações inerentes ao uso de inteligência artificial como substituto aos métodos tradicionais de modelagem, e aplicamos o modelo a conjuntos de dados reais para avaliar sua adequação em situações de mundo real. Nossos resultados sugerem que a Simulation-Based Inference é uma técnica promissora para realizar modelagem inversa em Lentes Gravitacionais, e pode se mostrar uma ferramenta essencial para futuras investigações nesta área.

Área:

Data da defesa: 05/06/2025

Banca: Cristina Furlanetto; Laerte Sodré Junior