Esta tesis doctoral está dedicada al estudio de la formación y evolución de galaxias en un contexto cosmológico, aprovechando la potencia de la computación de alto rendimiento con un énfasis particular en la computación acelerada por tarjetas gráficas (GPU). Para avanzar en el campo, la tesis se enfoca en ampliar las capacidades del código público
UNCOVERING THE PHYSICS OF GALAXIES WITH SELF-SUPERVISED DEEP LEARNING
As surveys grow, the challenge is how to explore and interpret the increasing quantity of data. For this, removing the observational biases and reducing the dimensionality of the data are fundamental. A promising avenue to do this is a self-supervised deep learning algorithm called contrastive learning. Contrastive learning is especially effective
EXPLORING THE COSMOS THROUGH A LENS: SEARCHING FOR STRONGLY-LENSED SUPERNOVAE IN TIME-DOMAIN SURVEYS
La constante de Hubble (H0) es un parámetro crítico en cosmología que define propiedades esenciales del universo, como su tamaño, edad, tasa de expansión y densidad crítica. A pesar de su importancia, determinar un valor preciso para H0 sigue siendo un tema de debate en el campo de la cosmología. Se han utilizado varios métodos para medir H0 dentro