Vari scenari teorici indicano che gli ammassi globulari possano ospitare buchi neri di massa intermedia (Intermediate-Mass Black Holes, IMBHs), ma gli approcci osservativi tentati finora non ne hanno ancora dimostrato la presenza in modo incontrovertibile. Una rilevazione diretta per mezzo di emissione elettromagnetica non è infatti ancora stata effettuata, in parte a causa dell’ambiente privo di gas che caratterizza gli ammassi globulari. Per questo motivo sono stati sviluppati metodi di identificazione indiretta. Recentemente, approcci indiretti basati sulla cinematica delle pulsar quale quello proposto da Abbate et al. 2019 hanno riscosso notevole interesse. Nel lavoro di tesi si è utilizzata una tecnica innovativa per prevedere la presenza di un IMBH per mezzo delle pulsar, applicandola per ora a dati simulati. Nello specifico, ci si riferisce all’utilizzo di un modello di Machine Learning (ML) interpretabile: gli alberi decisionali di classificazione. Per costruire il dataset su cui allenare il modello ci si è serviti di un campione di ammassi simulati con un codice diretto a N-corpi, in cui alcune particelle situate nelle regioni centrali sono state etichettate come pulsar, ottenendone una serie di misure intese a simulare possibili osservabili, quali la posizione proiettata, la velocità lungo la linea di vista, l’accelerazione e le sue derivate. L’albero decisionale appreso dal modello nel caso in cui si utilizzino 20 pulsar è in grado di classificare gli ammassi secondo la presenza di un IMBH al loro interno sulla base di tali caratteristiche con il 70% di accuratezza. Tale risultato presenta già una possibile utilità per un’applicazione a dati reali finalizzata alla selezione preliminare di ammassi candidati ad uno studio più dettagliato con altri mezzi. Inoltre, per costruzione, l’albero decisionale si presta ad un’analisi delle motivazioni per cui il modello ha effettuato una data predizione (interpretabilità), che cerco di spiegare in termini di interpretazione fisica in questa tesi.

Identificazione di buchi neri di massa intermedia attraverso tecniche di machine learning interpretabile.

Greco, Erica
2020/2021

Abstract

Vari scenari teorici indicano che gli ammassi globulari possano ospitare buchi neri di massa intermedia (Intermediate-Mass Black Holes, IMBHs), ma gli approcci osservativi tentati finora non ne hanno ancora dimostrato la presenza in modo incontrovertibile. Una rilevazione diretta per mezzo di emissione elettromagnetica non è infatti ancora stata effettuata, in parte a causa dell’ambiente privo di gas che caratterizza gli ammassi globulari. Per questo motivo sono stati sviluppati metodi di identificazione indiretta. Recentemente, approcci indiretti basati sulla cinematica delle pulsar quale quello proposto da Abbate et al. 2019 hanno riscosso notevole interesse. Nel lavoro di tesi si è utilizzata una tecnica innovativa per prevedere la presenza di un IMBH per mezzo delle pulsar, applicandola per ora a dati simulati. Nello specifico, ci si riferisce all’utilizzo di un modello di Machine Learning (ML) interpretabile: gli alberi decisionali di classificazione. Per costruire il dataset su cui allenare il modello ci si è serviti di un campione di ammassi simulati con un codice diretto a N-corpi, in cui alcune particelle situate nelle regioni centrali sono state etichettate come pulsar, ottenendone una serie di misure intese a simulare possibili osservabili, quali la posizione proiettata, la velocità lungo la linea di vista, l’accelerazione e le sue derivate. L’albero decisionale appreso dal modello nel caso in cui si utilizzino 20 pulsar è in grado di classificare gli ammassi secondo la presenza di un IMBH al loro interno sulla base di tali caratteristiche con il 70% di accuratezza. Tale risultato presenta già una possibile utilità per un’applicazione a dati reali finalizzata alla selezione preliminare di ammassi candidati ad uno studio più dettagliato con altri mezzi. Inoltre, per costruzione, l’albero decisionale si presta ad un’analisi delle motivazioni per cui il modello ha effettuato una data predizione (interpretabilità), che cerco di spiegare in termini di interpretazione fisica in questa tesi.
2020-09-16
78
black holes, machine learning, pulsar
File in questo prodotto:
File Dimensione Formato  
GRECO-TESI.pdf

accesso aperto

Dimensione 1.37 MB
Formato Adobe PDF
1.37 MB Adobe PDF Visualizza/Apri

The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/20.500.12608/22569