Resumen de Cosmology with baryons: modelling the cosmic matter distribution for large-scale structure analyses
Giovanni Aricó
La interacción entre las fuerzas gravitatorias e hidrodinámicas en la formación de la estructura del Universo es compleja y aún se desconoce en gran medida. Las fuerzas gravitatorias son dominantes a gran escala, donde las perturbaciones de la densidad son pequeñas y, por tanto, se pueden describir mediante una teoría lineal. Sin embargo, en las escalas pequeñas surgen no linealidades y, por lo tanto, la teoría analítica no es suficiente. El gas es perturbado tanto por las fuerzas hidrodinámicas como por la gravedad, y tienen lugar varios procesos astrofísicos. La formación de galaxias desencadena explosiones de supernovas y la inyección de energía de los agujeros negros supermasivos que se acrecientan, perturbando la distribución de la masa y remodelando el potencial gravitatorio, lo que provoca posteriormente una reacción inversa en la materia oscura.
La falta de una modelización precisa de estos procesos bariónicos es una de las principales fuentes de incertidumbre en los actuales estudios de lentes gravitatorias débiles, y se espera que su impacto aumente drásticamente en las próximas campañas de observación previstas.
En esta tesis, queremos desarrollar un marco para modelar de forma consistente la distribución espacial y la evolución temporal de la materia oscura, el gas y las galaxias, en la Estructura a Gran Escala del Universo. Utilizamos un enfoque basado en simulaciones, variando simultáneamente la cosmología y los procesos astrofísicos. El núcleo de nuestro marco está dado por grandes simulaciones de alta resolución, que garantizan una modelización robusta de las no linealidades a pequeñas escalas, y predicciones precisas a grandes escalas. En una fase de posprocesamiento, desplazamos las partículas en nuestras simulaciones para explorar diferentes escenarios cosmológicos y bariónicos, mediante la combinación de dos algoritmos de última generación: el modelo de escalado cosmológico y el de corrección bariónica. Implementamos versiones extendidas y optimizadas de ambos algoritmos, para alcanzar la precisión requerida por los estudios de próxima generación, y los probamos sistemáticamente por separado y en combinación. Por último, utilizamos técnicas modernas de aprendizaje automático, y en concreto redes neuronales artificiales, entrenadas para aprender las conexiones entre los parámetros cosmológicos y astrofísicos y las estadísticas relevantes del campo de materia cósmica, tal y como se miden en nuestras simulaciones. De este modo, nuestras predicciones pueden realizarse con un coste computacional insignificante, y la contribución lineal, no lineal y bariónica puede calcularse por separado. Nuestros emuladores de redes neuronales están disponibles públicamente y pueden incorporarse fácilmente a una análisis de lentes gravitatorias débiles. Utilizando nuestro marco de trabajo, la modelización de la densidad cosmica puede extenderse a escalas pequeñas sin precedentes, de forma muy precisa y con una aceleración consistente en el tiempo de cálculo. Esperamos que las técnicas desarrolladas y los resultados presentados aquí sean útiles para una amplia gama de aplicaciones en los análisis de estructuras a gran escala, y en particular en studios de lentes gravitatorias débiles y galaxias.
