Course Syllabus

Export
  1. Introdurre gli studenti alle simulazioni idrodinamiche cosmologiche della formazione delle galassie.
  2. Fornire agli studenti le competenze per esplorare autonomamente simulazioni numeriche esistenti e eseguire nuove simulazioni utilizzando codici numerici all'avanguardia e disponibili pubblicamente.
  3. Introdurre metodi avanzati di analisi dei dati per consentire un'analisi efficiente di grandi set di dati.

Il corso è strutturato in quattro moduli, ciascuno mirato a raggiungere i seguenti obiettivi:

  1. Introduzione alle Simulazioni Numeriche: Panoramica delle simulazioni numeriche per oggetti astrofisici e analisi pratica delle simulazioni all'avanguardia utilizzando Python.
  2. Creazione delle Condizioni Iniziali e Esecuzione delle Simulazioni: Introduzione alla generazione delle condizioni iniziali e all'esecuzione di simulazioni cosmologiche con codici all'avanguardia.
  3. Strutture Dati Avanzate: Esplorazione di strutture dati avanzate per ottimizzare l'analisi di grandi simulazioni e big data.
  4. Tecniche di Visualizzazione: Introduzione alle tecniche di visualizzazione per interpretare e presentare i risultati delle simulazioni all'avanguardia.

Il corso è strutturato in quattro moduli, progettati per fornire agli studenti le competenze essenziali necessarie per intraprendere un progetto di ricerca utilizzando tecniche di astrofisica numerica. Sebbene l'accento sia principalmente sulle simulazioni cosmologiche della formazione delle galassie, incoraggeremo anche discussioni sull'applicazione di queste tecniche ad altri problemi astrofisici.

  1. Modulo 1 fornisce un'introduzione alle simulazioni numeriche, con un'enfasi particolare sulle simulazioni cosmologiche della formazione delle galassie. Questo modulo tratterà i seguenti argomenti:
  • Nozioni di base sulle simulazioni numeriche e sulle condizioni iniziali.
  • Tecniche numeriche per l'integrazione delle equazioni del moto e della dinamica dei fluidi.
  • Il ruolo dei modelli subgriglia nella descrizione dei processi di formazione delle stelle.
  • Panoramica delle simulazioni numeriche all'avanguardia attuali.
  • Uno sguardo alle simulazioni future della formazione delle galassie.
  • Sfide principali nel campo.

Questo modulo include esercizi pratici incentrati sull'analisi di simulazioni numeriche all'avanguardia. Gli studenti analizzeranno una simulazione preesistente fornita in aula, partecipando a esercizi che rispecchiano strettamente l'analisi reale condotta dai cosmologi numerici in un contesto di ricerca.

  1. Modulo 2 introduce il concetto di condizioni iniziali cosmologiche ed esplora i codici esistenti utilizzati per generarle. Discuteremo i diversi tipi di condizioni iniziali, confrontando vantaggi e svantaggi di vari approcci. Inoltre, introdurremo un codice di simulazione numerica che permetterà agli studenti di eseguire le proprie simulazioni cosmologiche.

    Gli argomenti principali trattati in questo modulo includono:

  • Metodi per generare condizioni iniziali cosmologiche: campo casuale gaussiano e spettro di potenza, con applicazione pratica utilizzando il codice MUSIC.
  • Determinazione della simulazione più grande realizzabile con le risorse computazionali disponibili.
  • Esecuzione di una simulazione, dimostrata attraverso il codice massivamente parallelo GADGET-4.

Questo modulo include esercizi pratici focalizzati sull'analisi di base delle simulazioni create. Gli esercizi mirano a fornire agli studenti gli strumenti per valutare se i risultati della simulazione sono validi o se sono stati compromessi da errori numerici. Per garantire un flusso di lavoro fluido, forniremo i codici numerici necessari e i contenitori Docker, che gestiranno il processo di compilazione e i pacchetti richiesti senza interferire con gli esercizi.

  1. Modulo 3 ha l'obiettivo di fornire agli studenti una comprensione di base di come le strutture dati avanzate possano migliorare significativamente l'efficienza dell'analisi di grandi set di dati. Dimostreremo come una corretta organizzazione dei dati della simulazione possa portare a miglioramenti sostanziali nella velocità di analisi.

Le principali strutture dati trattate in questo modulo includono:

  • Liste Collegate: Poiché l'analisi delle simulazioni numeriche richiede spesso un accesso spaziale efficiente ai cluster di dati all'interno del volume della simulazione, introdurremo le strutture dati a liste collegate. Queste possono ridurre la complessità delle ricerche lineari da O(NlogN) a O(1) nel miglior caso.
  • Tabelle Hash: Per incrociare efficientemente i dati tra più uscite temporali nelle simulazioni, esploreremo le Tabelle Hash, che riducono la complessità delle ricerche lineari per l'incrocio da O(N) a O(1).

Gli studenti apprenderanno le basi di questi algoritmi e parteciperanno a esercizi pratici per implementare e applicare queste strutture dati alle simulazioni numeriche esistenti. In questo modo, analizzeranno i miglioramenti di velocità rispetto agli algoritmi standard che non utilizzano strutture dati ottimizzate.

  1. Modulo 4 si concentrerà sulle tecniche di visualizzazione all'avanguardia per le simulazioni idrodinamiche cosmologiche. Affronteremo le sfide della visualizzazione delle simulazioni e introdurremo algoritmi che trasformano efficientemente le particelle in mappe lisce e visivamente accattivanti.

I concetti principali trattati includono:

  • Particelle nelle celle: Comprendere il rumore di sparo e l'importanza della normalizzazione nei dati.
  • Mappe lisce: Tecniche per generare rappresentazioni visive fluide delle simulazioni.
  • Tecniche di clustering per particelle: Applicazione delle tecniche di Smooth Particle Hydrodynamics (SPH) per la visualizzazione con il codice py-sphviewer.
  • Creazione di filmati delle simulazioni: Aspetti chiave come la lunghezza del filmato, il frame rate desiderato e le tecniche di interpolazione.

Il modulo includerà esercizi pratici in cui gli studenti applicheranno il codice py-sphviewer a una simulazione esistente. Attraverso questo, esploreranno diverse tecniche di visualizzazione e comprenderanno come questi metodi possano essere cruciali per misurare proprietà astrofisiche rilevanti.

Gli studenti devono avere una comprensione di base della cosmologia e della fisica a livello di MSc. È inoltre richiesto un laptop per partecipare agli esercizi pratici.

Il corso consisterà in presentazioni elettroniche che coprono i concetti chiave di ciascun modulo, seguite da esercizi pratici. Si svolgerà per quattro settimane, con due lezioni di 2 ore ciascuna a settimana. Ogni modulo sarà completato nell'arco di una settimana, con tempo sufficiente in aula per permettere agli studenti di completare gli esercizi del modulo all'interno di quella settimana.

  1. Il materiale necessario sarà fornito durante le lezioni, sia sotto forma di presentazioni elettroniche che di file condivisi.
  2. I dati delle simulazioni e il software richiesto saranno forniti durante le lezioni.

Il corso sarà offerto probabilmente durante il primo semestre dell'anno accademico 2024/2025, con un avvio previsto per novembre.

La valutazione finale consisterà in un rapporto scritto che riassume i risultati di un esercizio proposto, in cui gli studenti applicheranno le tecniche studiate durante il corso.

Su appuntamento

ISTRUZIONE DI QUALITÁ | IMPRESE, INNOVAZIONE E INFRASTRUTTURE
Export
  1. Introduce students to cosmological hydrodynamical simulations of galaxy formation.
  2. Equip students with the skills to independently explore existing numerical simulations and run new ones using state-of-the-art, publicly available numerical codes.
  3. Introduce advanced data analysis methods to enable efficient analysis of large datasets.

The course is structured into four modules, each aimed at achieving the following outlined objectives:

  1. Introduction to Numerical Simulations: Overview of numerical simulations for astrophysical objects and hands-on analysis of state-of-the-art simulations using Python.
  2. Creating Initial Conditions and Running Simulations: Introduction to generating initial conditions and running cosmological simulations with state-of-the-art codes.
  3. Advanced Data Structures: Exploration of advanced data structures to optimise the analysis of large simulations and big data.
  4. Visualisation Techniques: Introduction to visualisation techniques for interpreting and presenting results from state-of-the-art simulations.

The course is structured into four modules, designed to equip students with the essential skills needed to undertake a research project using numerical astrophysics techniques. While the focus will primarily be on cosmological simulations of galaxy formation, we will also encourage discussions on applying these techniques to other astrophysical problems.

  1. Module 1 provides an introduction to numerical simulations, with a specific emphasis on cosmological simulations of galaxy formation. This module will cover the following topics:
  • The basics of numerical simulations and initial conditions.
  • Numerical techniques for integrating the equations of motion and fluid dynamics.
  • The role of subgrid models in describing star formation processes.
  • An overview of current state-of-the-art numerical simulations.
  • A look at upcoming simulations of galaxy formation.
  • Key challenges in the field.

This module includes hands-on exercises centred around the analysis of cutting-edge numerical simulations. Students will analyse a pre-existing simulation provided in class, engaging in exercises that closely resemble the real-world analysis conducted by numerical cosmologists in a research setting.

  1. Module 2 introduces the concept of cosmological initial conditions and explores existing codes used to generate them. We will discuss different types of initial conditions, comparing the advantages and disadvantages of various approaches. Additionally, we will introduce a numerical simulation code, allowing students to run their own cosmological simulations.

The key topics covered in this module include:

  • Methods for generating cosmological initial conditions: A Gaussian random field and the power spectrum, with practical application using the MUSIC code.
  • Determining the largest simulation feasible within given computational resources.
  • Running a simulation, demonstrated through the massively parallel GADGET-4 code.

This module includes hands-on exercises focused on the basic analysis of the simulations created. The exercises aim to provide students with the tools to assess whether the simulation results are valid or have been affected by numerical errors.
To ensure a smooth workflow, we will provide the necessary numerical codes and a Docker containers, which will manage the compilation process and required packages without disrupting the exercises.

  1. Module 3 aims to give students a foundational understanding of how advanced data structures can significantly improve the efficiency of analysing large datasets. We will demonstrate how the proper organisation of simulation data can result in substantial speed improvements during analysis.

Key data structures covered in this module include:

  • Linked Lists: Since analyzing numerical simulations often requires efficient spatial access to data clusters within the simulation volume, we will introduce linked list data structures. These can reduce the complexity of linear searches from O(NlogN) to O(1) in the best-case scenario.

  • Hash Tables: To efficiently cross-match data across multiple temporal outputs in simulations, we will explore Hash Tables, which reduce the complexity of linear searches for cross-matching from O(N) to O(1).

Students will learn the fundamentals of these algorithms and engage in hands-on exercises to implement and apply these data structures to existing numerical simulations. Through this, they will analyse the speed improvements compared to standard algorithms that do not use optimised data structures.

  1. Module 4 will focus on state-of-the-art visualisation techniques for cosmological hydrodynamical simulations. We will address the challenges of visualising simulations and introduce algorithms that efficiently transform particles into smooth, visually compelling maps.

Key concepts to be covered include:

  • Particles in cells: Understanding shot noise and the importance of normalisation in data.
  • Smooth maps: Techniques for generating smooth visual representations of simulations.
  • Clustering techniques for particles: Applying Smooth Particle Hydrodynamics (SPH) techniques for visualisation with the py-sphviewer code.
  • Creating simulation movies: Key aspects such as the movie length, desired frame rate, and interpolation techniques.

The module will include hands-on exercises where students apply the py-sphviewer code to an existing simulation. Through this, they will explore various visualisation techniques and understand how these methods can be crucial for measuring astrophysically relevant properties.

Students should have a basic understanding of cosmology and physics at the MSc level. A laptop is also required for participation in the hands-on exercises.

The course will consist of electronic presentations covering the key concepts of each module, followed by hands-on exercises. It will run over four weeks, with two 2-hour lectures per week. Each module will be completed over the course of one week, with sufficient in-class time provided for students to finish the module’s exercises within that week.

  1. The required material will be provided during the lessons, both as electronic presentations and shared files.
  2. The simulation data and required software will be provided during the lectures.

The course will be likely offered during the first semester of the 2024/2025 academic year, with a likely start in November.

The final assessment will consist of a written report summarising the findings of a proposed exercises, where students will apply the techniques studied throughout the course.

By appointment

QUALITY EDUCATION | INDUSTRY, INNOVATION AND INFRASTRUCTURE
Enter

Key information

Staff

    Teacher

  • Alejandro Benitez Llambay
    Alejandro Benitez Llambay

Enrolment methods

Manual enrolments
Self enroll

Sustainable Development Goals

QUALITY EDUCATION - Ensure inclusive and equitable quality education and promote lifelong learning opportunities for all
INDUSTRY, INNOVATION AND INFRASTRUCTURE - Build resilient infrastructure, promote inclusive and sustainable industrialization and foster innovation