Please ensure Javascript is enabled for purposes of website accessibility

Μάθημα : Θέματα Παρατηρησιακής Αστροφυσικής και Αστροστατιστικής

18312 - Γεώργιος Βασιλόπουλος, Δέσποινα Χατζηδημητρίου.

Μάθημα

Το μάθημα παρουσιάζει τη μέτρηση εγγενών ιδιοτήτων αστροφυσικών πηγών από παρατηρήσιμες ποσότητες, με τη βοήθεια της μοντελοποίησης σύγχρονων παρατηρησιακών δεδομένων σε διαφορετικά μήκη κύματος, καθώς και στο πλαίσιο πολυμηνυματικής (multimessenger) αστροφυσικής. Χρησιμοποιεί μεμονωμένα μοντέλα αλλά και στατιστικές μεθοδολογίες για την ερμηνεία παρατηρησιακών δεδομένων και την επίλυση αντίστροφων προβλημάτων, με σύγχρονα εργαλεία αστροστατιστικής, Bayesian ανάλυσης και μηχανικής μάθησης. Παρουσιάζει μεθόδους διαχείρισης μεγάλων δεδομένων. Παρέχει τις βάσεις για τη σύνταξη ανταγωνιστικών προτάσεων παρατήρησης σε τηλεσκόπια, που απαιτούν τόσο τη μετατροπή φυσικών ποσοτήτων σε παρατηρούμενες ποσότητες, όσο και τους νόμους που διέπουν τη μετατροπή αυτή.

  • Περιεχόμενο μαθήματος

    Το μάθημα παρουσιάζει τη μέτρηση των εγγενών ιδιοτήτων αστροφυσικών πηγών από παρατηρήσιμες ποσότητες, με τη βοήθεια της μοντελοποίησης σύγχρονων παρατηρησιακών δεδομένων σε διαφορετικά μήκη κύματος και στο πλαίσιο της πολυμηνυματικής (multimessenger) αστροφυσικής. Αναπτύσσει τόσο το ευθύ πρόβλημα — τη μετατροπή φυσικών ποσοτήτων σε παρατηρούμενες και τους νόμους και τα όργανα που τη διέπουν — όσο και το αντίστροφο πρόβλημα της ανάκτησης φυσικών παραμέτρων από τα δεδομένα. Οι φοιτητές μαθαίνουν να ερμηνεύουν παρατηρησιακά δεδομένα και να επιλύουν αντίστροφα προβλήματα με σύγχρονα εργαλεία αστροστατιστικής, Μπεϋζιανής ανάλυσης και μηχανικής μάθησης, καθώς και με μεθόδους διαχείρισης μεγάλων δεδομένων. Παρέχει τη βάση για τη σύνταξη ανταγωνιστικών προτάσεων παρατήρησης σε τηλεσκόπια, οι οποίες απαιτούν τη μετατροπή φυσικών ποσοτήτων σε παρατηρούμενες και την εκτίμηση της σκοπιμότητας μιας παρατήρησης.

    Μαθησιακοί στόχοι

    Με την ολοκλήρωση του μαθήματος, οι φοιτητές θα είναι σε θέση να συσχετίζουν τις φυσικές ιδιότητες των αστρονομικών πηγών με τις παρατηρούμενες ποσότητες και να αξιολογούν την εφικτότητα μιας παρατήρησης· να κατασκευάζουν και να ερμηνεύουν συναρτήσεις πιθανοφάνειας και να επιλέγουν κατάλληλες στατιστικές μεθόδους προσαρμογής· να πραγματοποιούν Μπεϋζιανή εκτίμηση παραμέτρων και σύγκριση μοντέλων· να εφαρμόζουν και να αξιολογούν μεθόδους MCMC και εμφωλευμένης δειγματοληψίας· να εκτιμούν τη στατιστική σημαντικότητα περιοδικοτήτων, συσχετίσεων και χρονικών υστερήσεων σε θορυβώδη και ανομοιόμορφα δειγματοληπτημένα δεδομένα· να εφαρμόζουν τεχνικές μείωσης διαστάσεων, ομαδοποίησης και μηχανικής μάθησης σε αστρονομικά δεδομένα· και να συνδυάζουν τις παραπάνω γνώσεις και δεξιότητες για την εκπόνηση μιας επιστημονικά τεκμηριωμένης πρότασης παρατήρησης

    Βιβλιογραφία

     

    Μέθοδοι διδασκαλίας

    Το μάθημα συνδυάζει διαλέξεις με πρακτικές ζωντανές συνεδρίες και τακτική συζήτηση αποτελεσμάτων. Οι εβδομαδιαίες ασκήσεις εφαρμόζουν την ύλη κάθε εβδομάδας σε πραγματικά αστρονομικά δεδομένα με τυπικά εργαλεία ανοικτού κώδικα (astropy, scipy, scikit-learn, emcee, UltraNest, XSPEC, stingray). Η Εβδομάδα 1 περιλαμβάνει σύντομη ενότητα για την υπεύθυνη χρήση εργαλείων τεχνητής νοημοσύνης — ως δασκάλου και πηγής, όχι ως λύτη — που αφορά όλες τις εργασίες.

     

    Μέθοδοι αξιολόγησης

    Ο τελικός βαθμός διαμορφώνεται από την επίδοση στις εβδομαδιαίες ασκήσεις και στην τελική εξέταση (γραπτή ή προφορική). Παρέχεται δυνατότητα προσαύξησης του τελικού βαθμού μέσω της παρουσίασης επιστημονικού άρθρου ή εργασίας με αντικείμενο τη στατιστική ανάλυση αστρονομικών δεδομένων.

    Προαπαιτούμενα

    Βασικές γνώσεις προπτυχιακού επιπέδου στη φυσική και την αστρονομία, στη γραμμική άλγεβρα, στον απειροστικό λογισμό, καθώς και στις πιθανότητες και τη στατιστική. Απαιτείται επίσης βασική εξοικείωση με την Python.

    Εβδομαδιαίο πλάνο

    Μέρος Ι — Θεμελίωση

    Εβδομάδα 1 — Πιθανότητες, θεώρημα του Bayes και υπολογιστικά εργαλεία

    Στόχοι: Εισαγωγή στις βασικές έννοιες της θεωρίας πιθανοτήτων που θα χρησιμοποιηθούν στο μάθημα και παρουσίαση του πλαισίου της υπολογιστικής εργασίας.

    Θέματα: Τυχαίες μεταβλητές και βασικές κατανομές που χρησιμοποιούνται στην αστρονομία (κανονική, Poisson, διωνυμική και χ²), οι ιδιότητες και το πεδίο εφαρμογής τους· θεώρημα του Bayes· υπεύθυνη χρήση εργαλείων Τεχνητής Νοημοσύνης στην ανάλυση δεδομένων.

    Μελέτη: Schmidt & Völschow (2021), Κεφ. 1–2· Kashyap (2020).

     

    Εβδομάδα 2 — Συνάρτηση πιθανοφάνειας και ποιότητα προσαρμογής

    Στόχοι: Κατανόηση της έννοιας της πιθανοφάνειας, του τρόπου προσδιορισμού της βέλτιστης προσαρμογής και της αξιολόγησης της ποιότητάς της.

    Θέματα: Συναρτήσεις πιθανοφάνειας για δεδομένα που ακολουθούν κανονική κατανομή ή κατανομή Poisson· στατιστικές χ² και Cash (C)· εκτίμηση μέγιστης πιθανοφάνειας· εκτίμηση των αβεβαιοτήτων των παραμέτρων από την καμπυλότητα της λογαριθμικής πιθανοφάνειας· έλεγχος καλής προσαρμογής· ερμηνεία και περιορισμοί των τιμών p.

    Μελέτη: Kashyap (2020)· Chattopadhyay & Chattopadhyay (2014).

     

    Εβδομάδα 3 — Εκτίμηση παραμέτρων και σύγκριση μοντέλων

    Στόχοι: Εκτίμηση παραμέτρων και σύγκριση εναλλακτικών μοντέλων, με έμφαση στη μπεϋζιανή προσέγγιση.

    Θέματα: Εκ των προτέρων (prior) και εκ των υστέρων (posterior) κατανομές· περιθωριοποίηση· αξιόπιστα διαστήματα και η διάκρισή τους από τα διαστήματα εμπιστοσύνης· σύγκριση μοντέλων με τα κριτήρια AIC και BIC και με το μπεϋζιανό τεκμήριο (Bayesian evidence)· δειγματοληψία Markov Chain Monte Carlo (MCMC).

    Μελέτη: Chattopadhyay & Chattopadhyay (2014)· Kashyap (2020).

     

    Μέρος ΙΙ — Εφαρμογές

    Εβδομάδα 4 — Το ευθύ πρόβλημα και η εφικτότητα μιας παρατήρησης

    Στόχοι: Σύνδεση των εγγενών φυσικών ιδιοτήτων μιας αστρονομικής πηγής με τις παρατηρούμενες ποσότητες και αξιολόγηση του κατά πόσο μια προτεινόμενη παρατήρηση μπορεί να επιτύχει τους επιστημονικούς της στόχους.

    Θέματα: Ροή και λαμπρότητα· φαινόμενα μεγέθη και ρυθμοί καταγραφής φωτονίων· διορθώσεις K· μεσοαστρική εξασθένηση και απορρόφηση· επίδραση της απόκρισης του οργάνου και διατύπωση του ευθέος μοντέλου· λόγος σήματος προς θόρυβο και εκτίμηση του απαιτούμενου χρόνου έκθεσης στο πλαίσιο του σχεδιασμού μιας πρότασης παρατήρησης.

    Μελέτη: Bambi (επιμ.) (2020)· Schmidt & Völschow (2021), Κεφ. 5.

     

    Εβδομάδα 5 — Ανάλυση χρονοσειρών και αναζήτηση περιοδικότητας

    Στόχοι: Κατασκευή καμπυλών φωτός από δεδομένα γεγονότων, αναζήτηση περιοδικών σημάτων και αξιολόγηση της στατιστικής σημαντικότητάς τους.

    Θέματα: Ανάγνωση και επεξεργασία λιστών γεγονότων ακτίνων Χ· διαστήματα καλού χρόνου (Good Time Intervals, GTI)· βαρυκεντρική διόρθωση και χρονική ομαδοποίηση των δεδομένων· ανάλυση Fourier και περιοδόγραμμα Lomb–Scargle· επίδραση του ερυθρού θορύβου· εκτίμηση της πιθανότητας ψευδούς συναγερμού μέσω προσομοιώσεων Monte Carlo. Μια πρώτη εξοικείωση με τα σχετικά υπολογιστικά εργαλεία παρέχεται μέσω ζωντανής επίδειξης ήδη από την Εβδομάδα 1.

    Μελέτη: Schmidt & Völschow (2021), Κεφ. 5· Kashyap (2020).

     

    Εβδομάδα 6 — Φασματική ανάλυση και προσαρμογή μοντέλων

    Στόχοι: Προσαρμογή φυσικών μοντέλων σε παρατηρούμενα φάσματα και εκτίμηση των παραμέτρων τους και των αντίστοιχων αβεβαιοτήτων.

    Θέματα: Πρόβλεψη του παρατηρούμενου φάσματος με συνυπολογισμό της απόκρισης του οργάνου· προσαρμογή με τη στατιστική χ² και τη στατιστική C του Cash· πιθανοφάνεια Poisson για μη ομαδοποιημένα δεδομένα και δεδομένα λίγων φωτονίων· εκτίμηση αβεβαιοτήτων των παραμέτρων και εφαρμογή MCMC· αξιολόγηση της στατιστικής σημαντικότητας μιας ανίχνευσης στο καθεστώς λίγων φωτονίων.

    Μελέτη: Bambi (επιμ.) (2020)· Kashyap (2020).

     

    Εβδομάδα 7 — Συσχετίσεις, διασταύρωση καταλόγων και χρονικές υστερήσεις

    Στόχοι: Διερεύνηση και ποσοτικοποίηση σχέσεων μεταξύ φυσικών ποσοτήτων, αστρονομικών καταλόγων και καμπυλών φωτός σε διαφορετικές φασματικές ζώνες.

    Θέματα: Συντελεστές συσχέτισης Pearson και Spearman· έλεγχοι σύγκρισης δύο δειγμάτων (Kolmogorov–Smirnov και Anderson–Darling)· αξιολόγηση της στατιστικής σημαντικότητας με αναδειγματοληψία bootstrap και ελέγχους μεταθέσεων· διασταύρωση καταλόγων με συνυπολογισμό των αβεβαιοτήτων θέσης και της πιθανότητας τυχαίων αντιστοιχίσεων· ετεροσυσχέτιση και εκτίμηση χρονικών υστερήσεων σε ανομοιόμορφα δειγματοληπτημένα δεδομένα· σύγχρονα μέτρα στατιστικής εξάρτησης.

    Μελέτη: Chattopadhyay & Chattopadhyay (2014)· Kashyap (2020).

     

    Εβδομάδα 8 — Εμφωλευμένη δειγματοληψία και μπεϋζιανό τεκμήριο

    Στόχοι: Εφαρμογή της εμφωλευμένης δειγματοληψίας (nested sampling) για την εκτίμηση παραμέτρων και τη σύγκριση μοντέλων, καθώς και κατανόηση της επίδρασης των πολλαπλών δοκιμών στη στατιστική σημαντικότητα.

    Θέματα: Αρχές της εμφωλευμένης δειγματοληψίας και εφαρμογή με τα πακέτα UltraNest και dynesty· υπολογισμός και ερμηνεία του μπεϋζιανού τεκμηρίου και των παραγόντων Bayes· εξάρτηση του τεκμηρίου από τις εκ των προτέρων κατανομές και παράγοντας Occam· σύγκριση της εμφωλευμένης δειγματοληψίας με τις μεθόδους MCMC· πολλαπλές δοκιμές, παράγοντας δοκιμών και διάκριση μεταξύ τοπικής και συνολικής στατιστικής σημαντικότητας· φαινόμενο look-elsewhere.

    Μελέτη: Chattopadhyay & Chattopadhyay (2014).

     

    Εβδομάδα 9 — Μεγάλοι όγκοι δεδομένων, αστρονομικοί κατάλογοι και Εικονικό Αστεροσκοπείο

    Στόχοι: Αποδοτική και αναπαραγώγιμη αναζήτηση, πρόσβαση, επεξεργασία και συνδυασμός μεγάλων αστρονομικών συνόλων δεδομένων.

    Θέματα: Αστρονομικά αρχεία δεδομένων και υπηρεσίες του Εικονικού Αστεροσκοπείου· πρωτόκολλο TAP και γλώσσα ερωτημάτων ADQL· προγραμματιστική πρόσβαση σε καταλόγους· διασταύρωση καταλόγων μεγάλης κλίμακας και συναφή στατιστικά ζητήματα· αναπαραγώγιμες υπολογιστικές ροές εργασίας.

    Μελέτη: Schmidt & Völschow (2021), Κεφ. 2 και 5.

     

    Εβδομάδα 10 — Μείωση διαστάσεων και ομαδοποίηση

    Στόχοι: Αναγνώριση, οπτικοποίηση και ερμηνεία δομών σε δεδομένα υψηλής διαστατικότητας.

    Θέματα: Προεπεξεργασία και τυποποίηση των δεδομένων· ανάλυση κύριων συνιστωσών (PCA)· ομαδοποίηση με τη μέθοδο k-means και με μοντέλα μειγμάτων κανονικών κατανομών· μη γραμμικές μέθοδοι μείωσης διαστάσεων (UMAP και t-SNE)· ανίχνευση ανωμαλιών· αξιολόγηση των αποτελεσμάτων της ομαδοποίησης και περιορισμοί στην ερμηνεία των απεικονίσεων χαμηλής διάστασης.

    Μελέτη: Chattopadhyay & Chattopadhyay (2014)· Meher & Panda (2021).

     

    Εβδομάδα 11 — Επιβλεπόμενη μηχανική μάθηση και εξομοιωτές με νευρωνικά δίκτυα

    Στόχοι: Εκπαίδευση, επικύρωση και αξιολόγηση μοντέλων για πρόβλεψη και ταξινόμηση, καθώς και κατασκευή εξομοιωτών υπολογιστικά δαπανηρών φυσικών μοντέλων.

    Θέματα: Παλινδρόμηση και ταξινόμηση· διαχωρισμός των δεδομένων σε σύνολα εκπαίδευσης, επικύρωσης και ελέγχου· υπερπροσαρμογή και επιλογή υπερπαραμέτρων· εξομοιωτές με νευρωνικά δίκτυα για υπολογιστικά δαπανηρά φυσικά μοντέλα· σύντομη εισαγωγή στις γκαουσιανές διαδικασίες.

    Μελέτη: Meher & Panda (2021)· Schmidt & Völschow (2021), Κεφ. 5.

     

    Μέρος ΙΙΙ — Σύνθεση

    Εβδομάδα 12 — Μελέτη περίπτωσης πολυμηνυματικής αστρονομίας και πρόταση παρατήρησης

    Στόχοι: Σύνθεση και εφαρμογή των γνώσεων και μεθόδων του μαθήματος σε μια πολυμηνυματική ανάλυση σύμπτωσης και στον σχεδιασμό μιας πρότασης παρατήρησης.

    Θέματα: Μελέτη πολυμηνυματικού παραδείγματος που συνδυάζει δεδομένα βαρυτικών κυμάτων με ηλεκτρομαγνητικές παρατηρήσεις ή ανιχνεύσεις νετρίνων· αξιολόγηση της στατιστικής σημαντικότητας της σύμπτωσης και συνυπολογισμός του παράγοντα πολλαπλών δοκιμών· μπεϋζιανή σύγκριση μοντέλων· σύνταξη μιας επιστημονικά τεκμηριωμένης πρότασης παρατήρησης, η οποία θα περιλαμβάνει αξιολόγηση της εφικτότητας και υπολογισμό του απαιτούμενου χρόνου έκθεσης.

    Μελέτη/παρουσίαση: Επιλεγμένα άρθρα ανασκόπησης, τα οποία θα δοθούν κατά τη διάρκεια του εξαμήνου.

     

Ημερολόγιο

Ανακοινώσεις

Όλες...