Determining the dark matter distribution in simulated galaxies with deep learning

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Estadual Paulista (UNESP)-
Autor(es): dc.contributorUniversidad Autónoma de Madrid-
Autor(es): dc.contributorUniversity of Nova Gorica-
Autor(es): dc.contributorCNRS-
Autor(es): dc.contributorUniversity of Valencia and CSIC-
Autor(es): dc.contributorUniversity of Copenhagen-
Autor(es): dc.contributorLAPTh-
Autor(es): dc.contributorComplesso Univ. Monte S. Angelo-
Autor(es): dc.creatorDe Los Rios, Martín-
Autor(es): dc.creatorPetač, Mihael-
Autor(es): dc.creatorZaldivar, Bryan-
Autor(es): dc.creatorBonaventura, Nina R-
Autor(es): dc.creatorCalore, Francesca-
Autor(es): dc.creatorIocco, Fabio-
Data de aceite: dc.date.accessioned2025-08-21T22:21:28Z-
Data de disponibilização: dc.date.available2025-08-21T22:21:28Z-
Data de envio: dc.date.issued2025-04-29-
Data de envio: dc.date.issued2023-10-31-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.1093/mnras/stad2614-
Fonte completa do material: dc.identifierhttps://hdl.handle.net/11449/302298-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/302298-
Descrição: dc.descriptionWe present a novel method of inferring the dark matter (DM) content and spatial distribution within galaxies, using convolutional neural networks (CNNs) trained within state-of-the-art hydrodynamical simulations (Illustris-TNG100). Within the controlled environment of the simulation, the framework we have developed is capable of inferring the DM mass distribution within galaxies of mass ∼1011- from the gravitationally baryon-dominated internal regions to the DM-rich, baryon-depleted outskirts of the galaxies, with a mean absolute error always below ≈0.25 when using photometrical and spectroscopic information. With respect to traditional methods, the one presented here also possesses the advantages of not relying on a pre-assigned shape for the DM distribution, to be applicable to galaxies not necessarily in isolation, and to perform very well even in the absence of spectroscopic observations.-
Descrição: dc.descriptionGeneralitat Valenciana-
Descrição: dc.descriptionICTP South American Institute for Fundamental Research Instituto de Física Teórica Universidade Estadual Paulista-
Descrição: dc.descriptionDepartamento de Física Teórica Universidad Autónoma de Madrid-
Descrição: dc.descriptionInstituto de Física Teórica UAM-CSIC Universidad Autónoma de Madrid, c/ Nicolás Cabrera 13-15, Cantoblanco-
Descrição: dc.descriptionCenter for Astrophysics and Cosmology (CAC) University of Nova Gorica, Vipavska 11c-
Descrição: dc.descriptionLaboratoire Univers et Particules de Montpellier (LUPM) Université de Montpellier (UMR-5299) CNRS, Place Eugène Bataillon-
Descrição: dc.descriptionInstitute of Corpuscular Physics (IFIC) University of Valencia and CSIC, Calle Catedrático José Beltrán 2-
Descrição: dc.descriptionCosmic Dawn Center Niels Bohr Institute University of Copenhagen, Jagtvej 128-
Descrição: dc.descriptionUniv. Grenoble Alpes Univ. Savoie Mont Blanc CNRS LAPTh-
Descrição: dc.descriptionDipartimento di Fisica 'Ettore Pancini Universitá degli studi di Napoli 'Federico II INFN sezione di Napoli Complesso Univ. Monte S. Angelo-
Descrição: dc.descriptionICTP South American Institute for Fundamental Research Instituto de Física Teórica Universidade Estadual Paulista-
Formato: dc.format6015-6035-
Idioma: dc.languageen-
Relação: dc.relationMonthly Notices of the Royal Astronomical Society-
???dc.source???: dc.sourceScopus-
Palavras-chave: dc.subjectdark matter-
Palavras-chave: dc.subjectgalaxies: General-
Palavras-chave: dc.subjectgalaxies: haloes-
Palavras-chave: dc.subjectmethods: data analysis-
Palavras-chave: dc.subjectsoftware: Simulations-
Título: dc.titleDetermining the dark matter distribution in simulated galaxies with deep learning-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.