| Source DB | nl |
|---|
| Institution | UGent |
|---|
| Code | fde85da8-7fe6-4a52-96e5-818f71fc78e6 |
|---|
| Unit | 3d80f44d-a6bd-4650-a26f-a7d882b99d2b
|
|---|
| Begin | 6/19/2020 |
|---|
| End | 12/18/2020 |
|---|
| title fr |
|
|---|
| title nl | Simulaties van dwergstelsels in een Fornax-clusteromgeving
|
|---|
| title en | Simulations of dwarf galaxies in a Fornax cluster environment
|
|---|
| Description fr |
|
|---|
| Description nl | Hoewel Big Data tegenwoordig in veel domeinen gemeengoed is geworden, zijn de uitdagingen om efficiënte en geautomatiseerde mining van de steeds toenemende datasets door nieuwe generaties datawetenschappers te ontwikkelen nog steeds groot. Deze uitdagingen omvatten grote delen van de maatschappij, het bedrijfsleven en onderzoek. Astronomen met hun hightech observatoria staan U+200BU+200Bhistorisch gezien op de voorgrond van dit veld, maar het is duidelijk dat de impact in b.v. commerciële toepassingen, beveiliging, milieumonitoring en experimenteel onderzoek zijn enorm. We willen bijdragen aan deze algemene discussie door een aantal jonge wetenschappers op te leiden op het gebied van informatica en astronomie, waarbij we ons richten op technieken voor geautomatiseerd leren van grote hoeveelheden gegevens om fundamentele vragen te beantwoorden over de evolutie van eigenschappen van sterrenstelsels. Hoewel deze technieken zullen leiden tot grote vooruitgang in ons begrip van de vorming en evolutie van sterrenstelsels, zullen we ook, in samenwerking met de industrie, veel meer algemene toepassingen in de samenleving bevorderen, b.v. in medische beeldvorming of teledetectie. We hebben een team van astronomen en computerwetenschappers samengesteld, van partners uit de academische en particuliere sector, om technieken te ontwikkelen voor het detecteren en classificeren van ultravage sterrenstelsels en restanten van sterrenstelsels in een diepgaand onderzoek van het Fornax-cluster en de resultaten te gebruiken om te bestuderen hoe sterrenstelsels evolueren in de dichte omgeving van sterrenstelsels. Met een team van jonge onderzoekers zullen we nieuwe computerwetenschapsalgoritmen ontwikkelen die fundamentele onderwerpen in de vorming van sterrenstelsels aanpakken, zoals de enorme fracties van donkere materie die door de theorie zijn afgeleid, en het gebrek aan gedetecteerd hoekmomentum in sterrenstelsels. De samenwerking is uniek - het zal een platform ontwikkelen voor diepe symbiose van twee radicaal verschillende benaderingen: puur datagestuurd machinaal leren en specialistische benaderingen op basis van in de astronomie ontwikkelde technieken. Jonge wetenschappers die met dergelijke vaardigheden zijn opgeleid, worden zowel in onderzoek als in het bedrijfsleven zeer gevraagd.
|
|---|
| Description en | Though Big Data has become common in many domains nowadays, the challenges to develop efficient and automated mining of the ever increasing data sets by new generations of data scientists are eminent. These challenges span wide swathes of society, business and research. Astronomers with their high-tech observatories are historically at the forefront of this field, but obviously, the impact in e.g. commercial applications, security, environmental monitoring and experimental research is immense. We aim to contribute to this general discussion by training a number of young scientists in the fields of computer science and astronomy, focussing on techniques of automated learning from large quantities of data to answer fundamental questions on the evolution of properties of galaxies. While these techniques will lead to major advances in our understanding of the formation and evolution of galaxies, we will also promote, in collaboration with industry, much more general applications in society, e.g. in medical imaging or remote sensing. We have put together a team of astronomers and computer scientists, from academic and private sector partners, to develop techniques to detect and classify ultra-faint galaxies and galaxy remnants in a deep survey of the Fornax cluster, and use the results to study how galaxies evolve in the dense environment of galaxy clusters. With a team of young researchers we will develop novel computer science algorithms addressing fundamental topics in galaxy formation, such as the huge dark matter fractions inferred by theory, and the lack of detected angular momentum in galaxies. The collaboration is unique - it will develop a platform for deep symbiosis of two radically different strands of approaches: purely data-driven machine learning and specialist approaches based on techniques developed in astronomy. Young scientists trained with such skills are highly demanded both in research and business.
|
|---|
| Qualifiers | - dwergstelsels - |
|---|
| Personal | De Rijcke Sven, Mastropietro Michele |
|---|
| Collaborations | |
|---|
