SuperBAM: Bayesian Analytical Modelling for Supernova Explosions
Giorno 13 marzo 2023, con inizio alle 14:30, presso l'Aula I del DFA, il Dott. Stefano Cosentino terrà un seminario dal titolo SuperBAM: Bayesian Analytical Modelling for Supernova Explosions.
Il seminario si svolge nell'ambito dei Young Physicists to Young Physicists (YP²) Seminars, organizzati dal Dottorato di ricerca in Fisica.
Tutte le persone interessate sono invitate a partecipare.
Sommario. Ogni anno, i telescopi catturano la luce di diverse migliaia di “bagliori” improvvisi, che gli astronomi classificano come Supernovae. Queste ultime sono eventi catastrofici, che possono portare alla formazione di oggetti compatti come Buchi Neri o Stelle di Neutroni, o persino alla disintegrazione completa della stella progenitrice. Il loro ruolo è cruciale in diversi ambiti della fisica che spaziano dalla cosmologia all’astronomia multi-messaggera. Nei prossimi anni, infatti, la comunità darà il via a nuove campagne osservative dedicate come il Legacy Survey of Space and Time (LSST), che porteranno il numero di scoperte a centinaia di migliaia per anno. Alla luce di questo, nell’ambito del mio dottorato, sto sviluppando una procedura di modellizzazione rapida e accurata, capace di ricavare le principali proprietà fisiche di ampi campioni di supernovae di tipo II, a partire dalle loro curve di luce. La procedura denominata “SuperBAM” unisce l’accuratezza delle tecniche di inferenza bayesiana con la rapidità dei modelli analitici che meglio riproducono le osservabili.
Abstract. Every year, telescopes capture the light of several thousand “flashes”, which astronomers classify as supernovae. The latter are catastrophic events, which can lead to the formation of compact objects such as black holes or neutron stars, or even to the complete disintegration of the progenitor star. Their role is crucial in various fields of physics ranging from cosmology to multimessenger astronomy. In the coming years, in fact, the community will launch new dedicated observing surveys such as the Legacy Survey of Space and Time (LSST), which will bring the number of discoveries to hundreds of thousands per year. Therefore, in the context of my Ph.D., I am developing a rapid and accurate modeling procedure, capable of deriving the main physical properties of large samples of type II supernovae, starting from their light curves. This procedure called "SuperBAM" combines the accuracy of Bayesian inference techniques with the smartness of analytical models that best reproduce the observables.