Grant: Alliance Grants
Université de Montréal
$45,000.00
Weighing the stars: Data-driven stellar population modeling for the next-generation sky surveys
FY 2023-24
Summary
Remarkable volumes of astrophysical data are expected soon thanks to a new generation of sky surveys (e.g. Euclid, Rubin/LSST, etc.), providing unprecedented opportunities to answer key questions about dark matter and galaxy formation. These surveys will yield more than 200,000 strong gravitational lenses, two orders of magnitude greater than current samples. Such lenses are ideal tracers of dark matter in galaxies. This project aims to develop and exploit machine learning methods that perform stellar synthesis modeling of lensing galaxies. The combination of stellar population and strong lens modeling will allow us to separate the stellar and dark matter components of lenses in individual systems and, through a hierarchical inference framework, to determine population-level properties of dark matter and stellar components of galaxies, providing unique constraints on dark matter models and galaxy formation scenarios.Gravitational lensing traces the distribution of matter (dark matter and baryons combined) in lensing galaxies through the gravitational distortions they cause in images of distant sources. Separating the dark and stellar components of these galaxies is the key to testing predictions of dark matter models and understanding the baryonic physics processes in galaxy formation and evolution. This is done using stellar synthesis modeling, a procedure by which model stellar spectra are combined to fit a set of broadband images. While these models remain biased and uncertain due to various assumptions and degeneracies, recent studies have demonstrated that by combining the individual measurements of stellar synthesis with strong and weak lensing, which probe the inner and outer parts of a galaxy respectively, for a large population of strong lensing systems, it becomes possible to statistically infer unbiased measurements of dark matter properties and stellar components, allowing robust tests of dark matter and galaxy formation models. Performing this exercise for the monumental volumes of data from upcoming surveys (and even for currently available data) is intractable with traditional maximum-likelihood modeling approaches. However, recent advances have shown that machine learning can accelerate the process of lens modeling by more than 10 million times, allowing the computationally intractable lens modeling problem to be solved in minutes. Our team is currently building methods and pipelines to do just that. We will expand upon these efforts by obtaining stellar masses and building a hierarchical inference framework that combines the measurements of galaxy stellar populations and lensing parameters to samples of unparalleled size in order to directly probe the time evolution of the baryonic mass fraction, the inner/outer galaxy mass ratio, and the environmental dependence of mass accretion. Among the anticipated all-sky surveys, the Euclid and Rubin Observatories should begin operations in 2023 and 2024, making this project most timely. The recently launched James Webb Space Telescope will also provide a unique characterization of the evolution of stellar populations with time, a necessary input for our project. Our interdisciplinary team is composed of experts in strong+weak gravitational lensing analysis, stellar population modeling, and machine learning, forming a unique collaboration of experts for each aspect of this exciting project. Une nouvelle génération de relevés du ciel (Euclid, Rubin/LSST, etc.) produira des volumes inégalés de données astrophysiques au cours de la prochaine décennie, offrant des opportunités sans précédent pour répondre à un ensemble de questions fondamentales sur la matière noire et la formation des galaxies. Grâce à ces relevés, on prévoit la découverte de plus de 200,000 lentilles gravitationnelles, soit cent fois plus qu'avec les échantillons actuels. Ce projet vise à développer et exploiter des méthodes d'apprentissage automatique pour la modélisation de synthèse stellaire des lentilles gravitationnelles pour séparer les composantes stellaires et sombres de ces lentilles. Grâce à un cadre d'inférence hiérarchique, nous déterminerons les propriétés de ces composantes et obtiendrons de précieuses contraintes pour les modèles de matière sombre et les scénarios de formation de galaxies.L'analyse de lentilles gravitationnelles permet de cartographier la distribution de la matière à partir des distorsions qu'elles engendrent dans les images de sources lointaines. La séparation des composantes sombres et stellaires de ces galaxies est primordiale pour déterminer le couplage entre la matière sombre et lumineuse et le processus de formation et d'évolution des galaxies. Cette séparation est accomplie via une modélisation de synthèse stellaire où des modèles de spectres stellaires sont combinés pour s'adapter à un ensemble d'images prises avec plusieurs filtres. Bien que ces modèles soient biaisés et incertains en raison de diverses hypothèses et dégénérescences, de récentes études ont démontré qu'en combinant les mesures individuelles de synthèse stellaire avec des lentilles gravitationnelles fortes et faibles, qui sondent respectivement les parties internes et externes d'une galaxie, il est alors possible de déduire statistiquement des mesures non biaisées des propriétés de la matière sombre et des composantes stellaires, permettant des tests robustes de modèles de formation des galaxies. Or la perspective d'un tel exercice pour les vastes relevés à venir (et même pour les données actuellement disponibles) est inconcevable avec les approches traditionnelles de modélisation statistique et numérique. Cependant, de récentes études ont démontré que l'apprentissage automatique peut accélérer le processus de modélisation de lentilles gravitationnelles par un facteur de plus de 10 millions, rendant possible l'analyse de populations entières de lentilles. Nous prévoyons construire un pipeline d'analyse et un cadre d'inférence hiérarchique qui combinera les mesures et la modélisation des populations stellaires et des lentilles gravitationnelles à ces nouveaux échantillons de galaxies lentilles afin de déterminer directement l'évolution temporelle de la fraction de masse baryonique, la masse interne/externe des galaxies, et la dépendance environnementale de la croissance de la masse des galaxies. Parmi les relevés attendus, ceux des observatoires Euclid et Rubin seront disponibles dès 2023 et 2024, rendant notre projet encore plus opportun. Le tout nouveau télescope spatial James Webb fournira également une caractérisation sans précédent de l'évolution temporelle des populations stellaires, une information essentielle à notre projet. Notre équipe interdisciplinaire est composée d'experts en analyse de lentilles gravitationnelles fortes et faibles, en modélisation de population stellaire et en apprentissage automatique, formant une collaboration unique d'experts pour chaque aspect de ce projet.
Program
Alliance Grants
Recipient
Location
Quebec, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data
As published
Application id
577225-2022
Name nom
Hezaveh, Yashar Y
Department département
Physique
Organization id
63
Institution établissement
Université de Montréal
Province en
Québec
Province fr
Québec
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2023
Competition year année de concours
2022
Award amount
45000
Program id
ALLRP
Program name en
Alliance Grants
Program name fr
Subventions Alliance
Group en
RESEARCH PARTNERSHIPS
Group fr
PARTENARIATS DE RECHERCHE
Committee code
96
Committee name en
RPP Internal Decision Cttee
Committee name fr
Cté de décision interne - PPR
Area of application code
1204
Area of application group en
Advancement of knowledge
Area of application group fr
Avancement des connaissances
Area of application en
Space and astronomy
Area of application fr
Sciences spatiales et astronomie
Research subject code
2800
Research subject group en
Artificial intelligence
Research subject group fr
Artificial intelligence (computer vision, use2603)
Research subject en
Intelligence artificielle
Research subject fr
Intelligence artificielle (vision artificielle, utiliser 2603)
Application title
Weighing the stars: Data-driven stellar population modeling for the next-generation sky surveys
Keyword
Cosmology; Dark Matter; Deep Learning; Dust; Galaxy evolution; Galaxy formation; Machine Learning; Optical Surveys; Stellar populations modeling; Strong Gravitational Lensing
Application summary
Remarkable volumes of astrophysical data are expected soon thanks to a new generation of sky surveys (e.g. Euclid, Rubin/LSST, etc.), providing unprecedented opportunities to answer key questions about dark matter and galaxy formation. These surveys will yield more than 200,000 strong gravitational lenses, two orders of magnitude greater than current samples. Such lenses are ideal tracers of dark matter in galaxies. This project aims to develop and exploit machine learning methods that perform stellar synthesis modeling of lensing galaxies. The combination of stellar population and strong lens modeling will allow us to separate the stellar and dark matter components of lenses in individual systems and, through a hierarchical inference framework, to determine population-level properties of dark matter and stellar components of galaxies, providing unique constraints on dark matter models and galaxy formation scenarios.Gravitational lensing traces the distribution of matter (dark matter and baryons combined) in lensing galaxies through the gravitational distortions they cause in images of distant sources. Separating the dark and stellar components of these galaxies is the key to testing predictions of dark matter models and understanding the baryonic physics processes in galaxy formation and evolution. This is done using stellar synthesis modeling, a procedure by which model stellar spectra are combined to fit a set of broadband images. While these models remain biased and uncertain due to various assumptions and degeneracies, recent studies have demonstrated that by combining the individual measurements of stellar synthesis with strong and weak lensing, which probe the inner and outer parts of a galaxy respectively, for a large population of strong lensing systems, it becomes possible to statistically infer unbiased measurements of dark matter properties and stellar components, allowing robust tests of dark matter and galaxy formation models. Performing this exercise for the monumental volumes of data from upcoming surveys (and even for currently available data) is intractable with traditional maximum-likelihood modeling approaches. However, recent advances have shown that machine learning can accelerate the process of lens modeling by more than 10 million times, allowing the computationally intractable lens modeling problem to be solved in minutes. Our team is currently building methods and pipelines to do just that. We will expand upon these efforts by obtaining stellar masses and building a hierarchical inference framework that combines the measurements of galaxy stellar populations and lensing parameters to samples of unparalleled size in order to directly probe the time evolution of the baryonic mass fraction, the inner/outer galaxy mass ratio, and the environmental dependence of mass accretion. Among the anticipated all-sky surveys, the Euclid and Rubin Observatories should begin operations in 2023 and 2024, making this project most timely. The recently launched James Webb Space Telescope will also provide a unique characterization of the evolution of stellar populations with time, a necessary input for our project. Our interdisciplinary team is composed of experts in strong+weak gravitational lensing analysis, stellar population modeling, and machine learning, forming a unique collaboration of experts for each aspect of this exciting project. Une nouvelle génération de relevés du ciel (Euclid, Rubin/LSST, etc.) produira des volumes inégalés de données astrophysiques au cours de la prochaine décennie, offrant des opportunités sans précédent pour répondre à un ensemble de questions fondamentales sur la matière noire et la formation des galaxies. Grâce à ces relevés, on prévoit la découverte de plus de 200,000 lentilles gravitationnelles, soit cent fois plus qu'avec les échantillons actuels. Ce projet vise à développer et exploiter des méthodes d'apprentissage automatique pour la modélisation de synthèse stellaire des lentilles gravitationnelles pour séparer les composantes stellaires et sombres de ces lentilles. Grâce à un cadre d'inférence hiérarchique, nous déterminerons les propriétés de ces composantes et obtiendrons de précieuses contraintes pour les modèles de matière sombre et les scénarios de formation de galaxies.L'analyse de lentilles gravitationnelles permet de cartographier la distribution de la matière à partir des distorsions qu'elles engendrent dans les images de sources lointaines. La séparation des composantes sombres et stellaires de ces galaxies est primordiale pour déterminer le couplage entre la matière sombre et lumineuse et le processus de formation et d'évolution des galaxies. Cette séparation est accomplie via une modélisation de synthèse stellaire où des modèles de spectres stellaires sont combinés pour s'adapter à un ensemble d'images prises avec plusieurs filtres. Bien que ces modèles soient biaisés et incertains en raison de diverses hypothèses et dégénérescences, de récentes études ont démontré qu'en combinant les mesures individuelles de synthèse stellaire avec des lentilles gravitationnelles fortes et faibles, qui sondent respectivement les parties internes et externes d'une galaxie, il est alors possible de déduire statistiquement des mesures non biaisées des propriétés de la matière sombre et des composantes stellaires, permettant des tests robustes de modèles de formation des galaxies. Or la perspective d'un tel exercice pour les vastes relevés à venir (et même pour les données actuellement disponibles) est inconcevable avec les approches traditionnelles de modélisation statistique et numérique. Cependant, de récentes études ont démontré que l'apprentissage automatique peut accélérer le processus de modélisation de lentilles gravitationnelles par un facteur de plus de 10 millions, rendant possible l'analyse de populations entières de lentilles. Nous prévoyons construire un pipeline d'analyse et un cadre d'inférence hiérarchique qui combinera les mesures et la modélisation des populations stellaires et des lentilles gravitationnelles à ces nouveaux échantillons de galaxies lentilles afin de déterminer directement l'évolution temporelle de la fraction de masse baryonique, la masse interne/externe des galaxies, et la dépendance environnementale de la croissance de la masse des galaxies. Parmi les relevés attendus, ceux des observatoires Euclid et Rubin seront disponibles dès 2023 et 2024, rendant notre projet encore plus opportun. Le tout nouveau télescope spatial James Webb fournira également une caractérisation sans précédent de l'évolution temporelle des populations stellaires, une information essentielle à notre projet. Notre équipe interdisciplinaire est composée d'experts en analyse de lentilles gravitationnelles fortes et faibles, en modélisation de population stellaire et en apprentissage automatique, formant une collaboration unique d'experts pour chaque aspect de ce projet.