Descodificando las historias de formation en espectros de galaxias

Fecha de vigencia
Año de convocatoria
2019
Investigador/a
Ignacio Alfonso
Ferreras Páez
Importe de la ayuda concedida al Consorcio IAC
24.200,00 €
Descripción

Esta propuesta de investigación se centra en el estudio de la formación y evolución de galaxias a partir de datos espectroscópicos procedentes de grandes bases de datos disponibles en la actualidad. El proyecto plantea el desarrollo de técnicas avanzadas para extraer información de los espectros galácticos, con el objetivo de ahondar en nuestro conocimiento sobre la compleja física "bariónica" que concierne la evolución del gas que fluye hacia los centros de los halos de materia oscura y se convierte en estrellas, dando lugar a las galaxias. El modo convencional para el estudio de este problema se centra en resolver un problema inverso, por el cual se define la verosimilitud entre una serie de datos observacionales y modelos teóricos que describen la formación y evolución de las galaxias a base de una serie reducida de parámetros. En nuestro caso, tales parámetros tratan de describir las poblaciones estelares de las galaxias, lo cual nos informa sobre el proceso evolutivo de éstas, siguiendo la caída de gas, enfriamiento, formación estelar y retroalimentación. Esta metodología tradicional ha tenido mucho éxito, permitiéndos entender de modo general los aspectos más basicos y las tendencias más generales, tales como la correlación entre la masa de una galaxia y su edad, o metalicidad; la secuencia fundamental de formación estelar en galaxias, o la relación entre la materia oscura y la masa estelar. Sin embargo, el avance en nuestro conocimiento se encuentra limitado por las sustanciales degeneraciones presentes entre los parámetros arriba descritos. Proponemos aquí un acercamiento alternativo, por el cual hacemos la interpretación de los espectros como vectores de información donde las fuentes básicas se encuentran altamente enmarañadas. Se hace hincapié en la metodogía, que está basada en tres pilares: uso de separación ciega de componentes, teoría de la información o "machine learning". Estos tres pilares comparten la filosofía de trabajo donde los datos - y no los modelos - son los que producen la selección de aspectos y propiedades interesantes. De este modo, los modelos sólamente son empleados "a posteriori", una vez que nuestros algoritmos hayan seleccionado zonas espectrales específicas, como las más interesantes para los estudios evolutivos. Este proyecto incluye una estrecha colaboración con colegas expertos en las distintas metodologías propuestas aquí. También se encargará de preparar para la investigación en estos temas de dos investigadores a través del programa FPI para estudios de doctorado.