Scheda LENS-ML
FINAL
Informazioni generali
LENses and Structural parameters with Machine Learning (Rubin-LSST-12)
LENS-ML
Programma
RSN1
Attività: In Itinere; Data inizio: 2016; Data fine: 2030
crescenzo.tortora crescenzo.tortora@inaf.it
L’attività ha lo scopo di sfruttare i vantaggi del machine learning per l’utilizzo dell’enorme mole di dati che arriverà grazie a survey future come Rubin e Euclid, partendo dall’analisi di survey in corso come KiDS, VOICE, Fornax Deep Survey, HSC. Si è principalmente concentrata in questi ultimi anni nell’utilizzo di reti neurali convoluzionali per cercare e modellare lenti gravitazionali e di altri metodi di machine learning per la classificazione di oggetti extragalattici. Stiamo ora lavorando per determinare i parametri strutturali delle galassie, sviluppare la separazione stelle/galassie, anche in vista dei dati che arriveranno grazie a Rubin ed Euclid. In particolare, alcune di queste procedure verranno implementate all’interno di una proposta in-kind del Rubin Observatory.
The activity aims at using the advantages of machine learning to exploit the enormous amount of data that will be observed in future surveys using Rubin Observatory and Euclid, starting from the analysis undergoing using current surveys, as KiDS, VOICE, HSC, etc. It mainly focussed on the use of convolutional neural networks to find and model gravitational lenses, and other machine learning methods for the classification of extragalactic sources. We are also working to determine structural parameters of galaxies, and develop a procedure for star/galaxy separation, looking at the data from Rubin and Euclid. In particular some of these procedures will be implemented within an in-kind proposal for the Rubin Observatory.
Cosmologia teorica ed osservativa
Galassie, AGN e loro evoluzione
Team Summary
15. Personale INAF coinvolto
Numero di partecipanti INAF al progetto: 5
| Struttura | Nfte | N0 | TI 2023 | TI 2024 | TI 2025 | TD 2023 | TD 2024 | TD 2025 | Nex | Extra |
|---|---|---|---|---|---|---|---|---|---|---|
| O.A. CAPODIMONTE | 1 | 0 | 0.20 | 0.20 | 0.20 | 0 | 0 | 0 | 0 | 0.00 |
| O.A. PADOVA | 0 | 0 | 0.00 | 0.00 | 0.00 | 0 | 0 | 0 | 1 | 0.10 |
| Totali | 1 | 0 | 0.20 | 0.20 | 0.20 | 0.00 | 0.00 | 0.00 | 1 | 0.10 |
16. Personale Associato INAF coinvolto
Numero di partecipanti Associati INAF: 7
| # | Struttura | TI 2023 | TI 2024 | TI 2025 | TD 2023 | TD 2024 | TD 2025 | Extra |
|---|---|---|---|---|---|---|---|---|
| 1 | Uni Sun Yat-sen | 0.20 | 0.20 | 0.20 | 0 | 0 | 0 | 0.00 |
| 2 | University of Oxford, UK | 0 | 0 | 0 | 0.00 | 0.00 | 0.10 | 0.10 |
| 3 | Univ. of Cambridge | 0 | 0 | 0 | 0.10 | 0.10 | 0.10 | 0.00 |
| 4 | Uni Federico II | 0.10 | 0.10 | 0.10 | 0 | 0 | 0 | 0.00 |
| 5 | Uni Bologna | 0 | 0 | 0 | 0.20 | 0.20 | 0.00 | 0.00 |
| 6 | Università di Napoli "Federico II" | 0 | 0 | 0 | 0.30 | 0.40 | 0.40 | 0.00 |
| 7 | University of Napoli Federico II | 0.00 | 0.00 | 0.00 | 0 | 0 | 0 | 0.00 |
| Totali | 0.30 | 0.30 | 0.30 | 0.60 | 0.70 | 0.60 | 0.10 |
Fondi a sostegno
21. Totale fondi a disposizione (dato aggregato, k€)
| Certi 2023 | Certi 2024 | Certi 2025 | Presunti 2023 | Presunti 2024 | Presunti 2025 |
|---|---|---|---|---|---|
| 10 | 0 | 0 | 0 | 0 | 0 |
Produzione scientifica e tecnologica
22. Produzione scientifica e tecnologica - Highlights
Informazioni Pubbliche
<div style="text-align: justify;"><span style="font-family: var(--bs-font-sans-serif); font-size: 1rem;">Galaxies; Elliptical galaxies; Early-type galaxies; Galaxy evolution; High-redshift galaxies; Late-type galaxies; Gravitational lensing; Convolutional neural networks; Neural networks; GALCLOCK; MASSE; Astroinformatics; Rubin-LSST; EuclM2; EDGE</span></div>
<div style="text-align: justify;"><span style="font-family: var(--bs-font-sans-serif); font-size: 1rem;">Abbiamo un ruolo importante all'interno della comunità per quanto riguarda la ricerca di lenti gravitazionali con le CNN (con uno dei primi articoli sull'argomento, Petrillo et al. 2017), abbiamo un ruolo di leadership nella survey KiDS e lo avremo in futuro con i dati di Euclid. All'interno di KiDS, useremo GaLNet e GaZNet per determinare parametri strutturali e redshift fotometrici. In Euclid, Tortora, Covone and Gentile fanno parte del gruppo di ricerca che si occuperà di trovare e modellare lenti gravitazionali. Spiniello è PI di KiDS-SQuaD e membro della collaborazione TDCOSMO che permetterà di utilizzare quasar lensati per misurare H0. Tortora è il PI di un progetto in-kind per Rubin, per sviluppare algoritmi per fittare i profili di luce delle galassie; è co-lead del WP-PPZ nello SWG del Local Universe in Euclid, dove si utilizzeranno queste tecniche assieme a Brescia, Cavuoti, Riccio, che hanno un ruolo in Euclid nella determinazione dei redshift fotometrici e dei parametri fisici (scheda Astroinformatics).</span></div>
VST; Euclid; Rubin
15. Team members, Informazioni generali
15. Personale INAF coinvolto
| # | Nome | Struttura | TI | Qualifica | Ruolo nel Progetto | FTE Impegnate (2023/2024/2025) | FTE Presunte (2023/2024/2025) | Extra | ||
|---|---|---|---|---|---|---|---|---|---|---|
| 1 | crescenzo.tortora | crescenzo.tortora@inaf.it | O.A. CAPODIMONTE | Y | RICERCATORE | Ricerca di lenti gravitazionali, parametri strutturali, lead del progetto Rubin-LSST-12 | X X X | X X X | X |
|
| 2 | mario.radovich | mario.radovich@inaf.it | O.A. PADOVA | Y | RICERCATORE | Analisi dati, ricerca cluster, caratterizzazione ambiente | X X X | X X X | X |
|
| 3 | stefano.cavuoti | stefano.cavuoti@inaf.it | O.A. CAPODIMONTE | Y | RICERCATORE | Machine learning, redshift fotometrici | X X X | X X X | X |
|
| 4 | francesco.labarbera | francesco.labarbera@inaf.it | O.A. CAPODIMONTE | Y | RICERCATORE ASTRONOMO | Parametri strutturali | X X X | X X X | X |
|
| 5 | giuseppe.riccio | giuseppe.riccio@inaf.it | O.A. CAPODIMONTE | Y | RICERCATORE | machine learning | X X X | X X X | X |
|
16. Personale Associato INAF coinvolto
| # | Nome | Struttura | TI | Qualifica | Ruolo nel Progetto | FTE Impegnate (2023/2024/2025) | FTE Presunte (2023/2024/2025) | Extra | |
|---|---|---|---|---|---|---|---|---|---|
| 1 | nicola.napolitano | nicola.napolitano@inaf.it | Uni Sun Yat-sen | Y | Ordinario | rircerca di lenti, parametri strutturali | [0.2, 0.2, 0.2] | [0.0, 0.0, 0.0] | 0.0 |
| 2 | chiara.spiniello | chiara.spiniello@inaf.it | University of Oxford, UK | N | Hintze Fellow, post-doc | Ricerca lenti, classificazione | [0, 0, 0.1] | [0.1, 0.1, 0.1] | 0.1 |
| 3 | giuseppe.dago | gdago@ast.cam.ac.uk | Univ. of Cambridge | N | Post-Doc | Analisi spettroscopica | [0.1, 0.1, 0.1] | [0.0, 0.0, 0.0] | 0.0 |
| 4 | giovanni.covone | giovanni.covone@unina.it | Uni Federico II | Y | Prof. associato | Ricerca lenti | [0.1, 0.1, 0.1] | [0.0, 0.0, 0.0] | 0.0 |
| 5 | fabrizio.gentile | fabrizio.gentile3@unibo.it | Uni Bologna | N | PhD student | Strong lensing, modellizzazione, reti neurali | [0.2, 0.2, 0] | [0.0, 0.0, 0.0] | 0.0 |
| 6 | valerio.busillo | valerio.busillo@inaf.it | Università di Napoli "Federico II" | N | PhD | strong lensing, machine learning, simulations | [0.3, 0.4, 0.4] | [0.0, 0.0, 0.0] | 0.0 |
| 7 | massimo.brescia | massimo.brescia@inaf.it | University of Napoli Federico II | Y | Ricercatore | Machine learning, redshift fotometrici, lead del progetto Rubin-LSST-3 | [0, 0, 0] | [0.0, 0.0, 0.0] | 0.0 |
21. Fondi a Sostegno Iniziativa
Alcune delle attività sono state sviluppate negli scorsi anni all'intrerno di due Astrofit della durata di 2 e 3 anni, rispettivamente, aggiunti alle Funzioni Obiettivo.
Tabella fondi:
| # | Provenienza | Certi 2023 (k€) | Certi 2024 (k€) | Certi 2025 (k€) | Presun. 2023 (k€) | Presun. 2024 (k€) | Presun. 2025 (k€) | Totale Certi (k€) | Totale Presunti (k€) |
|---|
Tabella fondi Astrofisica Fondamentale e PNRR:
| # | Provenienza | Fondi 2023 (€) | Fondi 2024 (€) | Fondi 2025 (€) |
|---|---|---|---|---|
| 1 | INAF - Mini Grant | 10800.0 |