ASTROFÍSICA DE GALAXIAS Y COSMOLOGÍA
Integrantes del grupo
Dr. Emilio Donoso - Investigador Adjunto CONICET
Dr. Laura Donoso - Becario Postdoctoral CONICET
Lic. Claudio Lopez - Becario Doctoral CONICET
Dra. Silvana Aciar - Investigador Adjunto CONICET
Gimena Martin - Estudiante de Licenciatura en Astronomía (UNSJ)
Líneas de Investigación
Galaxias Activas
Aunque constituyen una pequeña fracción de la población total del universo, las galaxias con núcleos activos (AGN) son muy importantes para comprender la co-evolución de galaxias, sus agujeros negros supermasivos (SMBH) y los cúmulos que los albergan. Asociados a la acreción episódica de material circundante por parte de un agujero negro central, los núcleos activos liberan grandes cantidades de radiación en todo el espectro electromagnético, regulando así la formación estelar y el crecimiento en masa de las galaxias y de los mismos SMBHs.
En ICATE trabajamos en la detección de AGN mediante la identificación cruzada de grandes surveys extragalácticos en distintas longitudes de onda, y en el análisis de sus propiedades físicas derivadas de espectros, fotometría, modelos teóricos, y modelos de inferencia con inteligencia artificial.
Estructura en Gran Escala
La materia bariónica del universo se agrupa en galaxias, cúmulos y supercúmulos de galaxias, que trazan la estructura filamentosa observada en el universo. El grado de agrupamiento (clustering), usualmente cuantificado por herramientas estadísticas como la función de correlación, brinda información importante sobre los entornos que habitan distintas clases de galaxias, sus procesos de formación, e incluso de los halos de materia oscura en los que están inmersos.
En ICATE estudiamos la relación entre las galaxias y sus entornos a distintas escalas espaciales mediante funciones de correlación directa y cruzada, con especial interés en analizar bajo qué condiciones el entorno de AGN condiciona su activación y propiedades, o viceversa cuándo el AGN es quien modifica significativamente su entorno.
Inteligencia Artificial
El crecimiento exponencial de datos astronómicos hace cada vez más relevante el uso del aprendizaje automático (machine learning, ML) para abordar su análisis. Los modelos de ML permiten combinar de forma coherente grandes cantidades de información de distinta naturaleza (fotometría, espectros, píxeles), y extraer nuevos conocimientos sobre los fenómenos astrofísicos subyacentes.
En ICATE estamos empleando técnicas como bosques aleatorios y redes neurales a grandes surveys espectrofotométricos (DES, HSC-SSP) y simulados (DC2) para derivar redshifts fotométricos y masas estelares de galaxias, así como determinar su membresía en cúmulos a alto redshift. Estas investigaciones apuntan a desarrollar las habilidades necesarias para analizar los casi 20.000 millones de galaxias y ~100 millones de AGN que el telescopio LSST comenzará a observar próximamente.
