Black Hole Weather Forecasting Using Deep Learning

Detalhes bibliográficos
Ano de defesa: 2020
Autor(a) principal: Pereira, Roberta Duarte
Orientador(a): Não Informado pela instituição
Banca de defesa: Não Informado pela instituição
Tipo de documento: Dissertação
Tipo de acesso: Acesso aberto
Idioma: eng
Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Palavras-chave em Português:
aprendizado profundo
astrofísica
astrophysics
black holes
buracos negros
deep learning
Link de acesso: https://www.teses.usp.br/teses/disponiveis/14/14131/tde-23102020-170517/
Resumo: Traditional methods of studying accretion flows onto black holes mainly consist of computationally expensive numerical simulations. This often imposes severe limitations to the dimensionality, simulation times, and resolution. Computational astrophysics is inurgent need of new tools to accelerate the calculations, thereby leading to faster results. We propose a deep learning method to make black hole weather forecasting: a data-driven approach for solving the chaotic dynamics of BH accretion flows. Our model can reproduce the results of a hydrodynamic simulation with an error <3% and at the sametime speeding-up the calculations by a factor of 1e4.5, thus reducing the simulation time
id USP_fe26113a47926dbeff45fe3a516210ed
oai_identifier_str oai:teses.usp.br:tde-23102020-170517
network_acronym_str USP
network_name_str Biblioteca Digital de Teses e Dissertações da USP
repository_id_str
spelling Black Hole Weather Forecasting Using Deep LearningPredição de estados de buracos negros usando aprendizado profundoaprendizado profundoastrofísicaastrophysicsblack holesburacos negrosdeep learningTraditional methods of studying accretion flows onto black holes mainly consist of computationally expensive numerical simulations. This often imposes severe limitations to the dimensionality, simulation times, and resolution. Computational astrophysics is inurgent need of new tools to accelerate the calculations, thereby leading to faster results. We propose a deep learning method to make black hole weather forecasting: a data-driven approach for solving the chaotic dynamics of BH accretion flows. Our model can reproduce the results of a hydrodynamic simulation with an error <3% and at the sametime speeding-up the calculations by a factor of 1e4.5, thus reducing the simulation timeMétodos tradicionais de estudar o comportamento de um disco de acreçãoo ao redor de um buraco negro são compostos principalmente de simulaçõees numéricas computacionalmente caras. Esse custo faz com que as simulações numéricas sejam restringidas por dimensionalidade ou limitações nas equações e, geralmente, leva muito tempo para simular. A física de buracos negros precisa urgentemente de uma nova ferramenta capaz de obter resultados mais rápidos. Queremos propor o uso do aprendizado profundo como uma possível nova ferramenta. O objetivo é desenvolver um método de aprendizado profundocapaz de fazer previsões de estados ao redor de buracos negros. Propomos um modelo que pode reproduzir os resultados de uma simulação com um erro abaixo d e<3% e ao mesmo tempo acelerar o processo de obtenção dos resultados por um fator de 1e4.5Biblioteca Digitais de Teses e Dissertações da USPSilva, Rodrigo Nemmen daPereira, Roberta Duarte2020-09-08info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisapplication/pdfhttps://www.teses.usp.br/teses/disponiveis/14/14131/tde-23102020-170517/reponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USPLiberar o conteúdo para acesso público.info:eu-repo/semantics/openAccesseng2020-11-07T02:06:21Zoai:teses.usp.br:tde-23102020-170517Biblioteca Digital de Teses e Dissertaçõeshttp://www.teses.usp.br/PUBhttp://www.teses.usp.br/cgi-bin/mtd2br.plvirginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.bropendoar:27212020-11-07T02:06:21Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.none.fl_str_mv Black Hole Weather Forecasting Using Deep Learning
Predição de estados de buracos negros usando aprendizado profundo
title Black Hole Weather Forecasting Using Deep Learning
spellingShingle Black Hole Weather Forecasting Using Deep Learning
Pereira, Roberta Duarte
aprendizado profundo
astrofísica
astrophysics
black holes
buracos negros
deep learning
title_short Black Hole Weather Forecasting Using Deep Learning
title_full Black Hole Weather Forecasting Using Deep Learning
title_fullStr Black Hole Weather Forecasting Using Deep Learning
title_full_unstemmed Black Hole Weather Forecasting Using Deep Learning
title_sort Black Hole Weather Forecasting Using Deep Learning
author Pereira, Roberta Duarte
author_facet Pereira, Roberta Duarte
author_role author
dc.contributor.none.fl_str_mv Silva, Rodrigo Nemmen da
dc.contributor.author.fl_str_mv Pereira, Roberta Duarte
dc.subject.por.fl_str_mv aprendizado profundo
astrofísica
astrophysics
black holes
buracos negros
deep learning
topic aprendizado profundo
astrofísica
astrophysics
black holes
buracos negros
deep learning
description Traditional methods of studying accretion flows onto black holes mainly consist of computationally expensive numerical simulations. This often imposes severe limitations to the dimensionality, simulation times, and resolution. Computational astrophysics is inurgent need of new tools to accelerate the calculations, thereby leading to faster results. We propose a deep learning method to make black hole weather forecasting: a data-driven approach for solving the chaotic dynamics of BH accretion flows. Our model can reproduce the results of a hydrodynamic simulation with an error <3% and at the sametime speeding-up the calculations by a factor of 1e4.5, thus reducing the simulation time
publishDate 2020
dc.date.none.fl_str_mv 2020-09-08
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://www.teses.usp.br/teses/disponiveis/14/14131/tde-23102020-170517/
url https://www.teses.usp.br/teses/disponiveis/14/14131/tde-23102020-170517/
dc.language.iso.fl_str_mv eng
language eng
dc.relation.none.fl_str_mv
dc.rights.driver.fl_str_mv Liberar o conteúdo para acesso público.
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Liberar o conteúdo para acesso público.
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.coverage.none.fl_str_mv
dc.publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
publisher.none.fl_str_mv Biblioteca Digitais de Teses e Dissertações da USP
dc.source.none.fl_str_mv
reponame:Biblioteca Digital de Teses e Dissertações da USP
instname:Universidade de São Paulo (USP)
instacron:USP
instname_str Universidade de São Paulo (USP)
instacron_str USP
institution USP
reponame_str Biblioteca Digital de Teses e Dissertações da USP
collection Biblioteca Digital de Teses e Dissertações da USP
repository.name.fl_str_mv Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)
repository.mail.fl_str_mv virginia@if.usp.br|| atendimento@aguia.usp.br||virginia@if.usp.br
_version_ 1815258479090204672

Registros relacionados