Deaglan J. Bartlett

Esse estudo liga o fundo de radiação gama não resolvido com distribuições de galáxias pra descobrir propriedades da matéria escura.

Um novo pipeline integra métodos de aprendizado de máquina em astrofísica pra uma análise melhor.

Um olhar sobre como a matéria tá distribuída no universo através de aproximações simbólicas.

Este estudo analisa o desempenho da programação genética para tarefas de regressão simbólica.

O COCA melhora as simulações juntando machine learning com física pra ter mais precisão.

Pesquisadores desenvolvem o CHARM pra analisar a distribuição das galáxias mais rápido usando dados da matéria escura.