Black Hole Weather Forecasting Using Deep Learning

Detalhes bibliográficos
Autor(a) principal: Roberta Duarte Pereira
Data de Publicação: 2020
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Biblioteca Digital de Teses e Dissertações da USP
Texto Completo: https://doi.org/10.11606/D.14.2020.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 2721
spelling info:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesis Black Hole Weather Forecasting Using Deep Learning Predição de estados de buracos negros usando aprendizado profundo 2020-09-08Rodrigo Nemmen da SilvaNina Sumiko Tomita HirataReinaldo Santos de LimaMartin MaklerRoberta Duarte PereiraUniversidade de São PauloAstronomiaUSPBR aprendizado profundo astrofísica astrophysics black holes buracos negros deep learning 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 Métodos 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 1e4.5 https://doi.org/10.11606/D.14.2020.tde-23102020-170517info:eu-repo/semantics/openAccessengreponame:Biblioteca Digital de Teses e Dissertações da USPinstname:Universidade de São Paulo (USP)instacron:USP2023-12-21T20:00:08Zoai: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:27212023-12-22T13:12:46.586375Biblioteca Digital de Teses e Dissertações da USP - Universidade de São Paulo (USP)false
dc.title.en.fl_str_mv Black Hole Weather Forecasting Using Deep Learning
dc.title.alternative.pt.fl_str_mv 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
Roberta Duarte Pereira
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 Roberta Duarte Pereira
author_facet Roberta Duarte Pereira
author_role author
dc.contributor.advisor1.fl_str_mv Rodrigo Nemmen da Silva
dc.contributor.referee1.fl_str_mv Nina Sumiko Tomita Hirata
dc.contributor.referee2.fl_str_mv Reinaldo Santos de Lima
dc.contributor.referee3.fl_str_mv Martin Makler
dc.contributor.author.fl_str_mv Roberta Duarte Pereira
contributor_str_mv Rodrigo Nemmen da Silva
Nina Sumiko Tomita Hirata
Reinaldo Santos de Lima
Martin Makler
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.issued.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://doi.org/10.11606/D.14.2020.tde-23102020-170517
url https://doi.org/10.11606/D.14.2020.tde-23102020-170517
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade de São Paulo
dc.publisher.program.fl_str_mv Astronomia
dc.publisher.initials.fl_str_mv USP
dc.publisher.country.fl_str_mv BR
publisher.none.fl_str_mv Universidade de São Paulo
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_ 1794503005031104512

Registros relacionados