Evaluation of galaxy clusters large scale parameters: a weak lensing analysis with Deep Learning based methods

Gli ammassi di galassie costituiscono le strutture gravitazionalmente legate più massive dell'Universo. Le loro proprietà hanno sempre costituito un punto chiave della ricerca cosmologica, in quanto rappresentano prove significative per l'approfondimento della nostra conoscenza sull'evoluzione dell'Universo. Le Reti Neurali Convoluzionali (CNNs) sono una tecnica di Deep Learning che si è dimostrata particolarmente efficace negli ultimi anni come un potente strumento di indagine in questo contesto, per via della loro velocità di esecuzione e capacità di generalizzazione. In particolare, in questo lavoro di Tesi abbiamo riadattato le architetture di tre differenti reti neurali all'avanguardia, nello specifico VGG-Net, Inception-v4 e Inception-ResNet-v2, implementandole in Pytorch. Per ogni architettura abbiamo creato vari modelli che differiscono per dimensioni, tecniche di regolarizzazione e ottimizzazione. I nostri modelli vengono allenati ricevendo come input mappe di shear ridotto di ammassi localizzati a redshift z=0.25, create con il software MOKA, capace di generare semi-analiticamente distribuzioni di massa di ammassi di galassie realistiche e di ricavarne le principali quantità legate al lensing. Questi modelli vengono poi testati su mappe che non contengono le informazioni riguardo i parametri reali dell'ammasso, con lo scopo di predirne i parametri di grande scala, quali la massa viriale, la concentrazione dell'alone, il numero di sottostrutture e la frazione di massa contenuta nelle sottostrutture. In generale, le prestazioni delle differenti reti nel misurare i parametri sono ottime, e il nostro miglior modello è quello caratterizzato dall'architettura più semplice, ovvero VGG-Net. Aggiungendo un rumore che simula quello delle future osservazioni di Euclid alle mappe di shear, troviamo che la capacità della rete nel predire i valori corretti peggiora, ottenendo comunque una buona stima dei parametri dei cluster.