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
CHARACTERIZING EXOPLANET ATMOSPHERES WITH HIGH-RESOLUTION SPECTROGRAPHS
En los últimos años, el descubrimiento de exoplanetas ha incrementado exponencialmente. Actualmente, se conocen más de 5000 planetas extrasolares y para 77 de ellos se han detectado señales atmosféricas utilizando observaciones de baja y alta resolución espectral. Una de las maneras más efectivas de estudiar las atmósferas exoplanetarias está