Perpustakaan Digital ITB

Model standar kosmologi ”CDM terkenal atas keberhasilannya menjelaskan fenomena yang berkaitan dengan struktur alam semesta di skala besar dengan menggunakan model materi gelap non-relativistik. Akan tetapi model ini memiliki beberapa perbedaan prediksi di skala kecil dengan model materi gelap alternatif seperti Warm Dark Matter (WDM). WDM menjelaskan adanya mekanisme penekanan kelimpahan substruktur halo materi gelap bermassa rendah yang dikarakterisasi dengan parameter half-mode mass (Mhm). Pelensaan gravitasi kuat menjadi salah satu metode yang umum dipakai untuk studi substruktur karena pembelokan cahaya langsung berbicara tentang keberadaan massa. Namun demikian, upaya mengekstrak parameter substruktur langsung dari citra pelensaan mustahil dilakukan dengan metode konvensional seperti pemodelan manual, mempertimbangkan substruktur mempunyai efek pelensaan yang lemah dan jumlahnya yang bisa mencapai ribuan serta tersebar acak. Penelitian ini mencoba mengatasi keterbatasan ini dengan menerapkan Simulation-Based Inference (SBI) dan deep learning pada kerangka kerja PALTAX dengan merealisasikan 2 populasi substruktur: subhalo dan lineof-sight (LOS) halo dibawah asumsi WDM. Penelitian ini menunjukkan hasil prediksi yang sangat baik untuk parameter makroskopis lensa, walaupun prediksi per-citra untuk parameter substruktur masih mengalami bias terhadap prior. Dengan mengaplikasikan inferensi hierarkis bayesian, penelitian ini berhasil membatasi nilai parameter normalisasi fungsi massa subhalo (#sub) mendekati nilai benarnya (< 1?) serta logaritma dari half-mode mass (log m hm) di derajat signifikansi 2? dan memulihkan urutan relatif nilai log m hm pada simulasi alam semesta yang berbeda.