Deep learning in high angular-resolution radio interferometry

Machine learning voor de analyse van astronomische informatie

In haar proefschrift pakt Samira Rezaei Badafshani enkele van de uitdagingen aan waarmee de astrofysica geconfronteerd wordt in het tijdperk van big data, waarbij ze gebruik maakt van machine learning. De methoden die zij hierbij heeft ontwikkeld hebben als doel om zo robuust mogelijke resultaten te genereren met zo min mogelijk menselijke interactie. Haar onderzoek is interdisciplinair, en gebruikt kennis uit de informatica om de kennis van de radiohemel te vergroten.

Het onderzoek behandelt vier hoofddoelen. Ten eerste bespreekt Rezaei Badafshani de eigenschappen van radiobronnen die gedetecteerd zijn met de Very Long Baseline Array (VLBA). Ten tweede worden de details besproken van een brondetectie- en karakteriseringsalgoritme dat een astronomisch object in waarnemingen van de VLBA kan lokaliseren. Ten derde wordt besproken hoe dit algoritme ook in staat is om ruis weg te filteren en de grootte, helderheid en structuur van bronnen kan achterhalen. Als laatste wordt een ander algoritme besproken dat zeldzame klassen van sterrenstelsels kan vinden tussen grote hoeveelheden andere bronnen die geobserveerd zijn met de Internationale LOFAR telescoop.

Verder bespreekt Rezaei Badafshani de eerste resultaten besproken van een onderzoek naar het gebruik van machine learning om de parameters van zwaartekrachtlenzen, zoals de Einsteinstraal, assenverhouding en positiehoek te bepalen.

Het promotieonderzoek van Samira Rezaei Badafshani vond plaats bij de afdeling Sterrenkunde van het Kapteyn Instituut met financiering via een EU DSSC COFUND programma. Zij werkt nu als postdoc aan de Universiteit Leiden.

Proefschrift: http://hdl.handle.net/11370/21f66bc9-272a-444c-9858-d0c85329f01c