Doktorantūra

Vienas aktualiausių šiuolaikinės astrofizikos uždavinių yra žvaigždėdaros procesų supratimas. Dauguma žvaigždžių gimsta žvaigždžių spiečiuose, kurių evoliucija priklauso nuo jų gimimo ir tolesnės raidos sąlygų. Pagrindinis disertacinio darbo uždavinys bus  žvaigždžių spiečių masės funkcijos tyrimas skirtingose galaktikose. Didžiausias dėmesys bus skiriamas mažos masės žvaigždžių spiečiams, kurie ir sudaro daugumą šio tipo objektų pagal skaičių ir bendrą masę. Naudosime archyvinius Hubble kosminio teleskopo stebėjimų  duomenis ir stochastinius žvaigždžių spiečių evoliucijos modelius. Disertacijos tikslui pasiekti bus kuriamas naujas metodas automatiniam žvaigždžių spiečių aptikimui ir jų parametrų nustatymui dangaus apžvalgose. Planuojame, kad metodas turėtų remtis  besimokančių sistemų (angl. machine learning, ML) ir konvoliucinių neuroninių tinklų (angl. convolutional neural network, CNN) metodų taikymu kosminių ir antžeminių observatorijų duomenų analizei.

One of the most urgent problems of modern astrophysics is the understanding of star formation processes. Most stars are born in star clusters whose evolution depends on the conditions of their birth and environment. The main task of the thesis studies will be the mass function of star clusters in different galaxies. The focus will be on low-mass star clusters, which make up the majority of this type of objects in terms of number and total  stellar mass. We will use archival data from the Hubble Space Telescope observations and stochastic evolutionary models of star clusters. To achieve the goal of the thesis, a new efficient method should be developed for the automatic detection and parameterisation of star clusters in sky surveys. We plan that the method should be based on the adaptation of machine learning (ML) and convolutional neural network (CNN) methods for the analysis of multicolour photometry data from space and ground-based observatories.