Contaminazione da polveri nella rivelazione del modo B della CMB

In questo lavoro di tesi si effettuerà in primo luogo una introduzione ai principi cardine della cosmologia come la metrica di Robertson-Walker e l’equazione di Friedmann per il fattore di scala, presentandone una derivazione classica e le linee generali per una derivazione a partire dalle equazioni della relatività generale. Si darà poi una spiegazione dell’origine e una presentazione delle caratteristiche della Radiazione Cosmica di Fondo, prestando particolare attenzione ai modi E e B di polarizzazione e allo spettro di potenza. Nel seguito si introdurrà il software utilizzato in modo predominante nella tesi per la produzione e l’analisi di mappe di CMB, Healpy. In primo luogo si presenterà il concetto di cosmic variance e una simulazione che rende esplicita la variabilità dello spettro di potenza; in secondo luogo si analizzerà l’andamento del primo picco dello spettro di potenza della temperatura della CMB al variare dell’area di cielo scansionata; in seguito, si presenterà una trattazione teorica con la quale si dedurrà l’errore da associare allo spettro di potenza misurato da un qualsiasi esperimento in funzione dell’ordine dello sviluppo multipolare; infine, si presenteranno i principali contaminanti di cui bisogna tenere conto nelle analisi delle mappe di cielo della CMB. Il Capitolo 4 verterà sulla descrizione dell’esperimento BICEP e sull’analisi dei suoi risultati. In particolare, si verificherà che l’eccesso di modo B rilevato da BICEP nella regione dello spettro di potenza con l ∈ [30:192], che avrebbe implicato un tensor-to-scalar ratio più elevato rispetto ai vincoli posti da analisi della CMB effettuate tramite i dati della missione Planck Surveyor, può essere spiegata come una contaminazione dovuta ad emissione di microonde da parte di polveri galattiche. L’ultimo capitolo sarà dedicato ad una presentazione del funzionamento delle reti neurali, in particolare le Convolutional Neural Networks, all’allenamento di una CNN allo scopo di renderla in grado di riconoscere mappe caratterizzate da diverso tensor-to-scalar ratio e alla verifica che una tale rete neurale attribuisce ad una mappa dell’emissione di dust un valore considerevolmente diverso da 0 del tensor-to-scalar ratio