L'obiettivo del corso è quello di fornire agli studenti la metodologia e strumenti all'avanguardia per potere sfruttare le nuove opportunità offerte nell'ambito dell'astrofisica time-domain. Grazie alla costruzione di nuove facilities, un numero sempre maggiore di transienti e sorgenti variabili verrà scoperto negli anni a venire, a partire da oggetti all'interno del nostro sistema solare fino a eventi esplosivi su scale cosmologiche. Lo studio dell'Universo transiente andrà pertanto incontro a nuove sfide, le quali richiedono fin da ora una formazione nuova e lo sviluppo di tecniche statistiche avanzate e metodi basati sull'intelligenza artificiale per l'analisi dati. Il corso ha la finalità di introdurre gli studenti a tali tecniche avanzate che permetteranno di sfruttare al meglio l'enorme dataset multi-dimensionale atteso negli anni a venire e grazie al quale sarà possibile ampliare la nostra conoscenza della fisica in condizioni estreme (e.g. shocks e accelerazione di particelle).
Prerequisiti
Lo studente deve avere una sufficiente conoscenza della Fisica di base, relatività speciale, elettromagnetismo, meccanica quantistica, struttura ed evoluzione stellare, e processi astrofisici. E' inoltre richiesta una conoscenza base di linguaggi di programmazione (ad esempio Python)
Metodi didattici
Il corso si basa su lezioni frontali che corono i vari argomenti del corso, tenute principalmente dal Prof. Bulla in collaborazione con il Prof. Guidorzi e il Prof. Rosati. Sono inoltre previsti seminari specifici tenuti dal Dr. Mauro Orlandini e il Dr. Lorenzo Bazzanini.
Verifica Apprendimento
L’obiettivo della prova d’esame consiste nel verificare la conoscenza degli argomenti svolti a lezione. Durante il corso, esercizi pratici saranno assegnati agli studenti in modo che possano familiarizzare con software specifici per la modellizzazione e analisi dei dati. Tali esercizi verranno discussi durante l'esame finale. Il voto finale è in trentesimi e si considera superato se viene raggiunto il voto minimo di 18/30.
Testi
Il docente fornisce materiale didattico a supporto delle lezioni frontali (dispense ed appunti).
Bibliografia:
1. Z. Ivezic, “Statistics, Data Mining, and Machine Learning in Astronomy: A Practical Python Guide for the Analysis of Survey Data”
2. H. Bradt, “Astrophysics Processes”
3. G. B. Rybicki & A. P. Lightman, “Radiative processes in Astrophysics”
4. J. S. Bendat & A. G Piersol, “Random Data”
Contenuti
Argomenti del corso: 1. Time-domain facilities di nuova generazione da terra e nello spazio: sfide connesse all'analisi dati (2 lezioni - 4 ore) 2. Osservazione e modellizzazione di transienti astrofisici: supernovae, kilonovae e onde gravitazionali, fast radio bursts, tidal disruption events e gamma-ray bursts (4 lezioni - 8 ore) 3. Tecniche numeriche applicate al trasporto radiativo: modellizzazione di spettri e curve di luce (6 lezioni - 12 ore) 4. Cosmografia tramite l'utilizzo di transienti e sorgenti variabili soggetti a lensing gravitazionale: quasars e supernovae (3 lezioni - 6 ore) 5. Tecniche avanzate per la scoperta e classificazione di transienti: intelligenza artificiale (A.I.) e deep learning; principi delle reti neurali e applicazione ai dati time-domain (4 lezioni - 8 ore) 6. Tecniche di Timing analysis: trasformata di Fourier e spettro di potenza (5 lezioni - 10 ore) 7. Elementi di processi stocastici per l'astrofisica time-domain (3 lezioni - 6 ore)
