Camilla Penzo

Thèse de doctorat

Galaxy and Structure Formation in Dynamical and Coupled Dark Energy (2015)

In this thesis I study the effects of different Dark Energy models on galaxy formation via numerical simulations. I investigate systems around and below Milky-Way masses and describe the effects of dark energy at galactic and sub-galactic scales. Firstly, I analyze high-resolution hydrodynamical simulations of three disc galaxies in dynamical dark energy models. While overall stellar feedback remains the driving mechanisms in shaping galaxies, the effect of the dark energy parametrization plays a larger role than previously thought. Secondly, I broaden the galaxy sample by simulating a 80 Mpc/h side cube of our universe using the same dynamical dark energy models. I show that resolution is a crucial ingredient so that baryonic feedback mechanisms can enhance differences between cosmological models. Thirdly, I investigate the effects of dynamical dark energy on dwarf mass scales. I find that there is more variation from object to object (due to the stochasticity of star formation at these scales) than between the same object in different cosmological models, which makes it hard for observations to disentangle different dark energy scenarios. In the second part of this thesis I investigate the effects of coupled dark energy models on galactic and sub-galactic scales via dark matter only high-resolution simulations. I find that coupled models decrease concentrations of (Milky-Way-like) parent haloes and also reduce the number of subhaloes orbiting around them. This improves the agreement with observations and, hence, makes these cosmologies attractive alternatives to a cosmological constant.

Thèmes de recherche

Actuels

• modèles de détection des deep fakes ;
• NLP pour détection des discours haineux français ;
• analyse de vidéos par apprentissage profond ;
• modèles multimodaux ;
• outils techniques pour les régulateurs / accès aux données et aux modèles ;
• encadrement de deux étudiants en master :
  • étude sur l’alignement des modèles multimodaux dans leur espace latent et ses applications à la détection de fake news;
  • étude sur les méthodes d’évaluation des biais dans les grands modèles de langage, avec un focus sur BLOOM)
• co-encadrement d’Augustin Godinot, doctorant préparant une thèse intitulée Auditing the mutations of online AI models.
  
  

Précédents

• modélisation de l’énergie noire et ses effets sur la formation des galaxies ;
• modèles alternatifs pour l’énergie noire ;
• modèles d’apprentissage automatique appliqués aux simulations cosmologiques ;
• modèles d’apprentissage profond 3D pour peupler les halos dans les simulations cosmologiques ;
• applications du deep learning à la photopléthysmographie (inférer les variations volumétriques de la circulation sanguine à partir de la vidéo du visage d’une personne) ;
• segmentations avec l’apprentissage profond de données 3D issues de tomodensitogrammes de tumeurs hépatiques.
  
  

Principales publications

• Godinot, A., Tredan, G., Taïani, F., Penzo, C., « Change-Relaxed Active Fairness Auditing » in prep.
• Famularo, S., Maini, C., Bortolotto, M., Penzo, C., « Deep learning for hepatocellular carcinoma, segmentation and recession rate from 3D convolutions. », in prep.
• Penzo, C., Macciò, A. V., Baldi, M., Casarini, L., Oñorbe, J., and Dutton, A. A., « Effects of coupled dark energy on the Milky Way and its satellites », Monthly Notices of the Royal Astronomical Society, vol. 461, no. 3, pp. 2490–2501, 2016. doi:10.1093/mnras/stw1502.
• Penzo, C., « Galaxy and structure formation in dynamical and coupled dark energy », PhDT, 2015.
• Penzo, C., Macciò, A. V., Casarini, L., Stinson, G. S., and Wadsley, J., « Dark MaGICC: the effect of dark energy on disc galaxy formation. Cosmology does matter », Monthly Notices of the Royal Astronomical Society, vol. 442, no. 1, pp. 176–186, 2014. doi:10.1093/mnras/stu857.