Promotionsvortrag von Felix Geyer

Mit Hilfe der Radiointerferometrie kann die Menschheit das Universum mit der höchstmöglichen Auflösung erforschen, was tiefgreifende Studien der physikalischen Prozesse ermöglicht, die den bekannten Kosmos antreiben. In den letzten Jahren ist der Bedarf an einer verstärkten Automatisierung der Analysepipelines in der Radiointerferometrie entstanden, vor allem aufgrund der erhöhten Datenraten der derzeit verwendeten und der geplanten Generation von Radiointerferometern. In verschiedenen Bereichen der Wissenschaft wird diese verstärkte Automatisierung durch Deep-Learning-Techniken, insbesondere neuronale Netze, bewältigt. In dieser Arbeit stelle ich eine umfassende Analysepipeline vor, die sowohl physikalisch basierte Simulationen von Radiogalaxien als auch die analytische Simulation des Messprozesses von Radiointerferometern umfasst. Darüber hinaus werden mehrere Deep-Learning-Modelle trainiert, um die simulierten unvollständigen Beobachtungen zu rekonstruieren und eine bereinigte Version der Radiogalaxien zu erhalten. Unter Verwendung verschiedener Bewertungsmetriken wird der Trainingsprozess angepasst und im Hinblick auf das Ziel der Rekonstruktion einer protoplanetaren Scheibe aus dem DSHARP-Datensatz verbessert. Zusätzlich wird das neuronale Netz erweitert, um die Unsicherheit der Vorhersage zu schätzen. Schließlich stelle ich eine auf einem neuronalen Netz basierende Rekonstruktion der protoplanetaren Scheibe „Elias 24“ vor.

Zurück