Este proyecto de investigación tiene como primer objetivo desarrollar métodos estadísticos avanzados de estilo Bayesianos en el contexto estándar, así como su extensión al ambiente de aprendizaje automatizado. Dicho objetivo se establece en dirección del tratamiento de las actuales encuestas astrofísicas, así como simulaciones computacionales y su implementación en códigos cosmológicos tradicionales. Lo anterior con la finalidad de resolver el problema de la Cosmología inversa, es decir, la máxima extracción de información de las observaciones para dilucidar la mejor (o más probable) teoría de gravedad que concuerde con dichos datos. Si bien la selección del modelo Bayesiano es una herramienta útil para discriminar entre modelos cosmológicos que compiten entre ellos, solo proporciona una medida relativa más que absoluta de qué tan bueno es un modelo. Las preguntas cosmológicas fundamentales que se tratarán en este proyecto son: ¿Cómo podemos traducir nuestras observaciones de los fenómenos astrofísicos en declaraciones probabilísticas sobre los parámetros de las teorías físicas subyacentes? en específico, en el marco de la energía oscura tardía y temprana, ¿cómo cuantificamos nuestro grado de creencia acerca de esos modelos fundamentales? y ¿cómo discriminamos entre diferentes modelos, como la constante cosmológica, en comparación con los modelos de gravedad tanto modificados como extendidos?
Las respuestas a éstas preguntas nos acercarán al segundo objetivo: al entendimiento de ciertos problemas actuales en la Cosmología como la tensión de la constante Hubble en el universo tardío y temprano, la dinámica de la energía oscura temprana, y el problema de la calibración de datos derivados de las muestras de supernova.
Este proyecto está destinado a cubrir principales desarrollos en el estudio de teorías de gravedad modificada y extendida, así como su impacto en la cosmología con el tratamiento estadístico de observaciones en el Universo tardío y temprano, con la finalidad de proponer soluciones a las actuales tensiones estadísticas que han emergido de parámetros cosmológicos como la constante de Hubble y el parámetro de formación de estructura.
Hitos
(1) Coordinar esfuerzos para desarrollar herramientas fácilmente utilizables para probar nuevos modelos en física fundamental con datos disponibles públicamente actuales y futuros. Este hito esta conectado con el proyecto CosmoNag ICN (Cosmostatistics National Group) dirigido por la responsable de este proyecto y el European COST Action 2021 dirigido por uno de los investigadores externos participantes del mismo.
(2) Pruebas y constricciones de los parámetros cosmológicos derivados de los modelos alternativos y extendidos de la gravedad usando datos astrofísicos de observaciones actuales disponibles. Nota: en algunos casos, los datos también podrán ser proveidos por colaboraciones internas a este proyecto.
(3) Análisis y estudios de prueba estadística de tipo Bayesiana en el contexto de aprendizaje automatizado (en su subsector de aprendizaje y entrenamiento interno de redes neuronales) para probar complejos cosmológicos modelos.
Entregables
(1) Trabajos de investigación indexados.
(2) Estudiante(s) graduado(s).
(3) Un libro de texto en el ámbito de Cosmología de Precisión (el cual ya se encuentra en bajo proceso de arbitraje por el Comité Editorial de la Facultad de Ciencias UNAM).