One for all
| dc.contributor.advisor | Rhode, Wolfgang | |
| dc.contributor.author | Geyer, Felix | |
| dc.contributor.referee | Franckowiak, Anna | |
| dc.date.accepted | 2024-11-18 | |
| dc.date.accessioned | 2024-12-03T07:22:16Z | |
| dc.date.available | 2024-12-03T07:22:16Z | |
| dc.date.issued | 2024 | |
| dc.description.abstract | With the help of radio interferometry, humanity can probe the universe at the highest resolutions possible, enabling in-depth studies of the physical processes driving the known cosmos. In recent years, the need for an increased automatization of the analysis pipelines in radio interferometry arose, mainly due to the increased data rates of the currently used and the planned generation of radio interferometers. In several areas of science, this increased automatization is handled by deep learning techniques, namely neural networks. In this thesis, I introduce a comprehensive analysis pipeline comprising physics-based radio galaxy simulations and the analytical simulation of the measurement process of radio interferometers. Furthermore, several deep learning models are trained to reconstruct the simulated incomplete observations to obtain a cleaned version of radio galaxies. Utilizing several evaluation metrics, the training process is adapted and improved with regard to the goal of reconstructing a protoplanetary disk from the DSHARP data set. Additionally, the neural network approach is extended to include the estimated uncertainty of the prediction. Finally, I present a neural network-based reconstruction of the protoplanetary disk “Elias 24”. | en |
| dc.description.abstract | Mit Hilfe der Radiointerferometrie kann die Menschheit das Universum mit der höchstmöglichen Auflösung erforschen, was tiefgreifende Studien der physikalischen Prozesse ermöglicht, die den bekannten Kosmos antreiben. In den letzten Jahren ist der Bedarf an einer verstärkten Automatisierung der Analysepipelines in der Radiointerferometrie entstanden, vor allem aufgrund der erhöhten Datenraten der derzeit verwendeten und der geplanten Generation von Radiointerferometern. In verschiedenen Bereichen der Wissenschaft wird diese verstärkte Automatisierung durch Deep-Learning-Techniken, insbesondere neuronale Netze, bewältigt. In dieser Arbeit stelle ich eine umfassende Analysepipeline vor, die sowohl physikalisch basierte Simulationen von Radiogalaxien als auch die analytische Simulation des Messprozesses von Radiointerferometern umfasst. Darüber hinaus werden mehrere Deep-Learning-Modelle trainiert, um die simulierten unvollständigen Beobachtungen zu rekonstruieren und eine bereinigte Version der Radiogalaxien zu erhalten. Unter Verwendung verschiedener Bewertungsmetriken wird der Trainingsprozess angepasst und im Hinblick auf das Ziel der Rekonstruktion einer protoplanetaren Scheibe aus dem DSHARP-Datensatz verbessert. Zusätzlich wird das neuronale Netz erweitert, um die Unsicherheit der Vorhersage zu schätzen. Schließlich stelle ich eine auf einem neuronalen Netz basierende Rekonstruktion der protoplanetaren Scheibe „Elias 24“ vor. | de |
| dc.identifier.uri | http://hdl.handle.net/2003/43001 | |
| dc.identifier.uri | http://dx.doi.org/10.17877/DE290R-24834 | |
| dc.language.iso | en | |
| dc.subject | Radio interferometry | en |
| dc.subject | Deep learning | en |
| dc.subject | Neuronal networks | en |
| dc.subject.ddc | 530 | |
| dc.subject.rswk | Neurales Netz | de |
| dc.subject.rswk | Deep learning | de |
| dc.subject.rswk | Interferometrie | de |
| dc.title | One for all | en |
| dc.title.alternative | A comprehensive analysis pipeline for simulating and reconstructing radio observations including uncertainty estimations | en |
| dc.type | Text | |
| dc.type.publicationtype | PhDThesis | |
| dcterms.accessRights | open access | |
| eldorado.secondarypublication | false |