Preview

PDF, English - main document Download (43MB) | Terms of use

Abstract

This thesis presents an investigation into galaxy formation and evolution, utilizing cutting-edge cosmological simulations and machine learning methodologies. Galaxy data from the full cosmological simulations TNG50 and TNG100 within the IllustrisTNG project are employed, and machine learning techniques are trained to extract the assembly and merging history of these simulated galaxies. These machine-learning models can then be applied to observational data, offering a novel method to connect simulations and observations. Initially, this is achieved by using scalars representing integrated observable galaxy features, from which we are able to infer scalars describing the assembly and merging history accurately. However, scalars encompass only a fraction of the complete observational data (images, spectra, IFUs, etc.), and accurately reconstructing scalars from simulations with the same observable bias as observations is not trivial. To address this, contrastive learning is employed to perform representation learning on both survey-realistic mocks of TNG and observed Hyper Suprime-Cam (HSC) image data (in r, g, and i bands), ensuring comparability between simulated and observed images. Remarkably, our findings demonstrate sufficient similarity between the simulated and observed images to justify the idea of simulation-based inference with images. Subsequently, an inference model trained on TNG data is successfully applied to HSC data, allowing the retrieval of information regarding the ex-situ fraction and the time and mass of the last major merger undergone by a galaxy. This interdisciplinary approach merges the domains of cosmological simulations, observational astronomy, and machine learning, offering a new perspective on galaxy formation and evolution. The developed methodologies not only enhance our ability to interpret observational data but also enable the assessment of the realism of cosmological simulations.

Translation of abstract (German)

Diese Arbeit präsentiert eine Untersuchung zur Bildung und Evolution von Galaxien unter Verwendung hochmoderner kosmologischer Simulationen und Methoden des maschinellen Lernens. Dabei werden Galaxiendaten aus den vollständigen kosmologischen Simulationen TNG50 und TNG100 des IllustrisTNG-Projekts genutzt, um maschinelles Lernen darauf zu trainieren, die Entstehungs- und Verschmelzungsgeschichte dieser simulierten Galaxien zu extrahieren. Diese maschinellen Lernmodelle können dann auf Beobachtungsdaten angewendet werden und bieten damit eine neue Methode, um Simulationen und Beobachtungen zu verbinden. Zunächst wird dies durch die Verwendung von skalaren Werten erreicht, die beobachtbare Galaxienmerkmale repräsentieren, aus denen wir dann in der Lage sind, Skalare abzuleiten, welche die Entstehungs- und Verschmelzungsgeschichte genau beschreiben. Skalare umfassen jedoch nur einen Bruchteil der vollständigen Beobachtungsdaten (Bilder, Spektren, IFUs usw.), und die genaue Rekonstruktion von Skalaren aus Simulationen mit der gleichen beobachtbaren Verzerrung wie Beobachtungen ist nicht trivial. Um dies zu adressieren, wird kontrastives Lernen verwendet, um Repräsentationslernen sowohl auf realistischen Umfragemockups von TNG als auch auf beobachteten Hyper Suprime-Cam (HSC)-Bilddaten (in r, g und i Bändern) durchzuführen, um die Vergleichbarkeit zwischen simulierten und beobachteten Bildern sicherzustellen. Bemerkenswerterweise zeigen unsere Ergebnisse ausreichende Ähnlichkeit zwischen den simulierten und beobachteten Bildern, um die Idee der simulationsbasierten Inferenz mit Bildern zu rechtfertigen. Anschließend wird ein Inferenzmodell, das auf TNG-Daten trainiert ist, erfolgreich auf HSC-Daten angewendet, was die Rückgewinnung von Informationen über den Ex-situ-Fraktion und die Zeit und Masse der letzten großen Verschmelzung ermöglicht, die eine Galaxie durchlaufen hat. Dieser interdisziplinäre Ansatz vereint die Bereiche kosmologischer Simulationen, beobachtende Astronomie und maschinelles Lernen und bietet einen neuen Blickwinkel auf die Bildung und Evolution von Galaxien. Die entwickelten Methoden verbessern nicht nur unsere Fähigkeit, Beobachtungsdaten zu interpretieren, sondern ermöglichen auch die Bewertung des Realismus kosmologischer Simulationen.