Unveiling the nature of dark matter through big data analysis of the next-generation large observation projects
| Project/Area Number |
21K13909
|
|---|
| Research Category |
Grant-in-Aid for Early-Career Scientists
|
| Allocation Type | Multi-year Fund |
|---|
| Review Section |
Basic Section 15010:Theoretical studies related to particle-, nuclear-, cosmic ray and astro-physics
|
|---|
| Research Institution | Ichinoseki National College of Technology |
|---|
Principal Investigator |
林 航平 一関工業高等専門学校, その他部局等, 講師 (20771207)
|
|---|
| Project Period (FY) |
2021-04-01 – 2025-03-31
|
| Project Status |
Granted (Fiscal Year 2022)
|
| Budget Amount *help |
¥2,990,000 (Direct Cost: ¥2,300,000、Indirect Cost: ¥690,000)
Fiscal Year 2024: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000)
Fiscal Year 2023: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000)
Fiscal Year 2022: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000)
Fiscal Year 2021: ¥1,430,000 (Direct Cost: ¥1,100,000、Indirect Cost: ¥330,000)
|
|---|
| Keywords | ダークマター / 銀河動力学 / ビッグデータ / すばる望遠鏡 / 矮小銀河 |
|---|
| Outline of Research at the Start |
ダークマターはいったい何者なのか？この謎を解明するため、本研究ではダークマターの理論模型に強い制限を与えられる矮小銀河ダークマター分布に焦点をあてる。すばる望遠鏡を用いた観測データの飛躍的な向上により、このダークマター分布の高精度決定が期待されることから、このビッグデータを有効活用するための統計的手法及び新たな動力学解析モデルの構築を行う。このモデルから得られるダークマター分布を、将来のダークマター間接的検出実験に対する重要な情報として提供する。
|
| Outline of Annual Research Achievements |
宇宙の物質の約８割以上はダークマターと呼ばれる正体不明の物質で占められている。この正体を明らかにするため、理論、実験、天文観測と多角的なアプローチがなされている。本研究では、近赤外線やガンマ線、エックス線など、多波長天文観測によるダークマターシグナルの間接的検出及びダークマターモデルパラメータへの制限に着目し、この研究に最適な天体である銀河系矮小銀河のダークマター分布に焦点をあてる。このダークマター分布を精度良く決定することが、本研究の鍵となる。
銀河系矮小銀河ダークマター分布の決定精度の向上には、動力学解析手法や観測による不定性を正しく考慮する必要がある。本研究では機械学習を取り入れた解析モデルを構築することで、その向上を目指す。
本年度では、教師なし機械学習を用いた銀河系矮小銀河ダークマター分布決定の動力学解析手法の構築を行った。従来の動力学解析モデルは、視線方向に射影した恒星の空間分布やダークマター密度分布に対してパラメータ化されたモデルを用い、ジーンズ方程式を解くことによってダークマター密度分布を推定している。したがって、この推定方法はモデルに依存する解析手法となっている。一方で、教師なし機械学習を用いることで、モデル依存しない動力学解析手法を構築することができた。この解析手法の有効性を実証するため、矮小銀河のメンバー星のみの模擬データに、この新たな手法を適用した。その結果、恒星密度分布やダークマター密度分布を精度良く再現することができた。本研究結果は、現在論文にまとめている段階である。
一方で、実際の観測データから矮小銀河のメンバー星の正しい情報を取り出すために、機械学習を用いた手法の構築を目指している。本年度は、この構築に必要不可欠な模擬データの生成に着手した。特にメンバー星ではないコンタミネーション星だけでなく、連星系の影響を含めた模擬データの生成を行った。
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
銀河系矮小銀河ダークマター分布決定の動力学解析手法は様々存在するが、本研究では機械学習を取り入れた、モデル依存しないジーンズ方程式のソルバーを初めて構築することができた。これは動力学解析の新しい手法となることが期待される。また、機械学習を取り入れたこの解析手法をさらに発展させる見込みとなっている。
観測データから矮小銀河のメンバー星の正しい情報を取り出すための解析手法の開発も、模擬データ生成に一定の進展があり、今後さらに発展できる見込みとなっている。
|
| Strategy for Future Research Activity |
教師なし機械学習を用いた銀河系矮小銀河ダークマター分布決定の動力学解析手法については、現時点では視線速度分散までの計算にとどまっているため、より高次のモーメント（歪度や尖度）まで拡張する。構築した解析手法を実際の観測データに適用し、銀河系矮小銀河ダークマター分布を推定する。
現在までにジーンズ方程式を用いない方法で、機械学習を取り入れた動力学解析手法が数個提案されている。それらの動力学解析手法や従来の手法と定量的に比較することで、我々が構築したモデルの優位性や問題点を正しく議論し、学術論文としてまとめる。
一方で機械学習を取り入れた矮小銀河メンバー星評価の解析手法の構築を目指す。より現実に近い模擬データが完成に近づいており、これらを教師データとすることで、矮小銀河メンバー星の判定を行うコード開発に取り組む。この手法は、矮小銀河メンバー星を同定するための重要な恒星情報の組み合わせを知ることも可能である。この手法によって、より誤差の少ない精密な銀河系矮小銀河ダークマター分布決定を目指していく。
|
Report
(2 results)
Research Products
(27 results)
