Bridging theory and observation: advancing cosmology and astrophysics through constrained simulations and machine learning

Hernández Martínez, Elena (2025): Bridging theory and observation: advancing cosmology and astrophysics through constrained simulations and machine learning. Dissertation, LMU München: Fakultät für Physik

Abstract

Galaxy clusters are the largest gravitationally bound and virialized structures in the Universe and powerful probes of both astrophysical processes and cosmological parameters. However, extracting precise information from galaxy clusters remains challenging due to their highly non-linear nature and the difficulty of connecting resolution and model-limited simulations with observations in a physically accurate and meaningful way. This thesis addresses these challenges by combining the use of constrained cosmological simulations and simulation-based inference using machine learning. We first present a novel suite of constrained hydrodynamical simulations, the SLOW (Simulating the LOcal Web) project, designed to reproduce the large-scale structure of the local Universe on a one-to-one basis. We show how these simulations accurately replicate the positions and properties of over 46 observed galaxy clusters. We establish that the clusters’ masses, temperatures, X-ray luminosities, and SZ signals are matched with high fidelity, validating the use of constrained simulations based on peculiar velocities as tools for creating replicas of real cosmic structures present in our local Universe. In a second step, we analyze the thermodynamic properties of these simulated cluster replicas, revealing that large-scale and intermediate radial profiles are well modeled. However, core regions show strong discrepancies, specially in the entropy and gas density values. We will discuss how these point to the necessity of improvements in resolution as well as improvements in the current implementation of galaxy formation models. Additionally, we will link the observed thermodynamic features of local clusters to the clusters’ mass assembly histories recovered in the simulations, establishing a connection between the formation path of clusters and their late-time cool-core/non-cool-core classification in observations. Finally, we demonstrate that machine learning models trained on stacked thermodynamic profiles from high-resolution zoom-in simulations of galaxy clusters can recover both cosmological and astrophysical parameters with remarkable accuracy. Using the CAMELS-zoomGZ suite, which spans the 28-dimensional parameter space from the IllustrisTNG model, we achieve an unprecedented inference accuracy for cosmological parameters as well as astrophysical parameters. We will show how the inference remains robust under high noise levels and limited radial coverage. Moreover, we will explore how inference done using stacked galaxy cluster profiles outperforms the inference done with integrated quantities, positioning cluster profiles as a powerful tool for simulation-based inference. Together, the results of this thesis provide a unified framework that connects the structure and evolution of galaxy clusters with the underlying physical parameters that govern them. By bridging simulations, observations, and machine learning-based inference, this work aims to lay the foundation for a new generation of precision cosmology using galaxy clusters as astrophysical and cosmological laboratories.

Abstract

Galaxienhaufen sind die größten gravitativ gebundenen und virialisierten Strukturen im Universum und bieten zahlreiche Möglichkeiten zur Untersuchung astrophysikalischer Prozesse und kosmologischer Parameter. Die präzise Gewinnung von Informationen aus Galaxienhaufen ist jedoch nach wie vor eine große Herausforderung, da ihre hochgradig nichtlineare Natur und die begrenzte Auflösung und Modellierungstiefe numerischer Simulationen eine physikalisch akkurate und sinnvolle Verbindung mit Beobachtungen erschweren. Diese Dissertation adressiert diese Problematik durch die Kombination von constrained kosmologischen Simulationen und simulationsbasierter Inferenz mittels maschinellen Lernens. Im ersten Teil stellen wir eine neuartige Reihe hydrodynamischer \textit{constrained} Simulationen vor, das SLOW-Projekt (Simulating the LOcal Web), das darauf ausgelegt ist, die großräumige Struktur des lokalen Universums im Eins-zu-eins-Vergleich realitätsnah nachzubilden. Wir zeigen, dass diese Simulationen die Positionen und Eigenschaften von über 46 beobachteten Galaxienhaufen mit hoher Genauigkeit reproduzieren. Insbesondere stimmen die Massen, Temperaturen, Röntgenleuchtkräfte und SZ-Signale der simulierten Haufen sehr gut mit den Beobachtungen überein, was den Einsatz constrained Simulationen auf Basis von Eigengeschwindigkeiten zur Rekonstruktion realer Strukturen im lokalen Kosmos eindrucksvoll bestätigt. Im zweiten Schritt analysieren wir die thermodynamischen Eigenschaften dieser simulierten Haufenrepliken. Dabei zeigt sich, dass die Profile auf großen und mittleren Skalen gut modelliert werden. In den Kernregionen treten jedoch deutliche Abweichungen auf, insbesondere bei Entropie- und Gasdichtewerten. Dies unterstreicht die Notwendigkeit verbesserter Auflösung und einer weiterentwickelten Modellierung der Galaxienentstehung. Darüber hinaus stellen wir einen Zusammenhang zwischen den beobachteten thermodynamischen Eigenschaften lokaler Galaxienhaufen und deren Masseaufbau-Historien in den Simulationen her, wodurch wir eine Verbindung zwischen der Entstehung eines Haufens und seiner späteren Einordnung als Cool-Core- oder Non-Cool-Core-System aufzeigen. Abschließend demonstrieren wir, dass maschinelles Lernen, trainiert auf gemittelten thermodynamischen Profilen aus hochaufgelösten Zoom-in-Simulationen von Galaxienhaufen, sowohl kosmologische als auch astrophysikalische Parameter mit bemerkenswerter Genauigkeit rekonstruieren kann. Mithilfe der CAMELS-zoomGZ-Simulationsreihe, welche den 28-dimensionalen Parameterraum des IllustrisTNG-Modells abdeckt, erreichen wir eine bislang unerreichte Inferenzgenauigkeit. Wir zeigen, dass diese Inferenz auch bei starkem Rauschen und begrenzter radialer Abdeckung stabil bleibt. Zudem analysieren wir, wie die Inferenz basierend auf gemittelten Profilen den Ansatz auf Basis integrierter Größen deutlich übertrifft. Somit zeigen wir, dass Galaxienhaufenprofile eine besonders leistungsstarke Datengrundlage für simulationsbasierte Inferenz bilden. Insgesamt liefert diese Arbeit einen kohärenten Rahmen, der die Struktur und Entwicklung von Galaxienhaufen mit den zugrundeliegenden physikalischen Parametern verbindet. Durch die enge Verknüpfung von Simulationen, Beobachtungen und maschinellem Lernen legt diese Dissertation das Fundament für eine neue Generation präziser Kosmologie, welche den astrophysikalischen und kosmologischen Informationsgehalt von Galaxienhaufen vollständig ausschöpft.

• Dokumententyp: Dissertationen (Dissertation, LMU München)
• Themengebiete: 500 Naturwissenschaften und Mathematik ; 500 Naturwissenschaften und Mathematik > 530 Physik
• Fakultäten: Fakultät für Physik
• Sprache der Hochschulschrift: Englisch
• Datum der mündlichen Prüfung: 27. Juni 2025
• 1. Bericht­erstatter:in: Dolag, Klaus