Dettagli
- Settore ERC
- PE9 - Universe Sciences
- Sottosettore ERC
- PE9_9 - Cosmology and large-scale structure, dark matter, dark energy
- Data avvio progetto
- CUP
- D53D23002540006
- Sostegno finanziario ricevuto
- €91.858,00
Descrizione e scopo
L’inflazione primordiale descrive l’Universo primordiale, ma esistono molti modelli equivalenti ai vincoli attuali. La proposta mira a sviluppare nuove metodologie teoriche e statistiche per migliorare i limiti osservativi e distinguere tra modelli, usando futuri dati LSS e GW (Euclid, SKA, LISA, Einstein Telescope). Si studieranno firme come non-gaussianità primordiale, rottura di invarianza di scala e buchi neri primordiali. Strumenti basati su simulazioni, ML e EFT saranno validati e applicati anche a dataset già disponibili (es. BOSS).
Finalità
Il progetto mira a sviluppare metodologie avanzate per vincolare i modelli di inflazione oltre il paradigma standard, sfruttando futuri dati cosmologici (Euclid, SKA, Einstein Telescope). Obiettivi: rilevare deviazioni da gaussianità e invarianza di scala, studiare i buchi neri primordiali come possibili componenti della materia oscura e progenitori di eventi GW, e creare strumenti teorici e statistici innovativi (EFT, ML, simulazioni) applicabili anche a dataset attuali.
Risultati attesi
I risultati attesi includono nuove metodologie per vincolare modelli di inflazione, estrazione di informazioni cosmologiche oltre lo spettro di potenza e applicazioni a futuri dataset LSS e GW (Euclid, SKA, LISA, Einstein Telescope). Le pipeline sviluppate saranno utili anche per analisi multi-tracer, contribuendo a testare Energia Oscura e Gravità Modificata. Gli strumenti di inferenza senza likelihood e ML avranno impatto oltre la cosmologia.
Risultati raggiunti
Abbiamo ottimizzato l’estrazione di informazione cosmologica dalle misure di Galaxy Clustering utilizzando nuove statistiche, come Wavelets, mostrando che queste migliorino notevolmente i vincoli sui parametri di non gaussianità rispetto alle statistiche standard (Power Spectrum e Bispectrum). Abbiamo sviluppato metodologie per analisi dati futuri a field level, mettendo in evidenza la necessità di rinormalizzare correttamente i modelli utilizzati.
Responsabile scientifico
Modificato il