Perpustakaan Digital ITB

Materi gelap (dark matter) sebagai komponen dominan alam semesta yang tidak memancarkan cahaya, hanya dapat dipelajari melalui interaksi gravitasinya dengan materi tampak, radiasi, dan struktur kosmik yang diamati. Di antara berbagai manifestasinya, Dark Matter Halo (DMH) muncul sebagai struktur kunci yang tidak hanya membentuk kerangka gravitasi bagi pembentukan galaksi, tetapi juga menentukan evolusi mereka melalui dinamika kosmik. Dalam penelitian ini, saya mengembangkan pendekatan komputasional inovatif untuk merekonstruksi distribusi DMH secara kuantitatif dengan memanfaatkan data simulasi DMONLY dari proyek EAGLE (Evolution and Assembly of GaLaxies and their Environments). Model prediktif berbasis Recurrent Neural Networks (RNN) termasuk varian Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dirancang khusus untuk menangkap kompleksitas dinamika spasio-temporal dari DMH. Model ini mengintegrasikan berbagai parameter fisis kritis seperti redshift, massa, kecepatan, dan posisi potensial; sementara pendekatan model triaksial dan profil densitas standar (Navarro-Frenk-White [NFW] dan Cuspy) memberikan kerangka kerja untuk karakterisasi struktur halo yang komprehensif. Hasil analisis tidak hanya menunjukkan konsistensi yang kuat dengan prediksi model kosmologi standar ?CDM dalam hal distribusi profil densitas, tetapi juga mengungkapkan aspek geometris DMH yang tidak sferis beserta dengan kompleksitas strukturalnya. Temuan ini secara kolektif menegaskan bahwa arsitektur RNN tidak hanya efektif untuk pemetaan dan karakterisasi spasio-temporal Dark Matter Halo, tetapi juga membuka peluang baru dalam pengembangan model kosmologi berbasis machine learning.