Bayesian galactic cartography via Gaussian processes: dark matter and interstellar gas : towards a new era of data-driven high-dimensional modelling in astrophysics

Söding, Laurin; Mertsch, Philipp; Kissmann, Ralf

doi:HT031511179

Bayesian galactic cartography via Gaussian processes: dark matter and interstellar gas : towards a new era of data-driven high-dimensional modelling in astrophysics

Söding, Laurin^RWTH*

2026

Verantwortlichkeitsangabevorgelegt von Laurin Söding, M. Sc.

ImpressumAachen : RWTH Aachen University 2026

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2026

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Mertsch, Philipp (Thesis advisor)^RWTH* ; Kissmann, Ralf (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2026-05-04

Online
DOI: 10.18154/RWTH-2026-05746
URL: https://publications.rwth-aachen.de/record/1036956/files/1036956.pdf

Einrichtungen

Projekte

DFG project G:(GEPRIS)495252601 - Galaktische Gas-Verteilung und Transport kosmischer Strahlung (495252601) (495252601)

Inhaltliche Beschreibung (Schlagwörter)
Milky Way (frei) ; dark matter (frei) ; data analysis (frei) ; interstellar medium (frei) ; physics (frei) ; solar neighbourhood (frei) ; statistical methods (frei)

Thematische Einordnung (Klassifikation)
DDC: 520

Kurzfassung
Wenn wir in den Nachthimmel blicken, beobachten wir die Milchstraße in jeder Richtung. Trotz der Fülle hochwertiger Daten der letzen Jahrzehnte bleibt unser Verständnis ihrer dreidimensionalen Struktur begrenzt. Diese Dissertation adressiert diese Herausforderung methodisch und datengetrieben durch Bayes'sche Inferenz mit Gaußprozessen, zugeschnitten auf hochdimensionale Probleme, um Schlüsselkomponenten der Galaxie aus Beobachtungsdaten zu rekonstruieren.Der erste Teil konzentriert sich auf die Bestimmung der Dunkle-Materie-Dichte in der Sonnenumgebung mittels stellarer Kinematik aus Gaia DR3 und Radialgeschwindigkeiten aus verschiedenen spektroskopischen Himmelsdurchmusterungen. Die statistischen Eigenschaften der Sternbewegungen kodieren Informationen über das Gravitationspotential und damit die Massenverteilung einschließlich Dunkler Materie. Statt restriktiver parametrischer Modelle entwickeln wir ein probabilistisches Vorwärtsmodell mit Gaußschen Prozessen, das glatte Variationen der Geschwindigkeitsstatistik einer Sternpopulation als Funktion der Höhe über der Scheibe flexibel erfasst. Wir erhalten eine robuste Bestimmung der lokalen Dunkle-Materie-Dichte, ${\rho_\mathrm{DM} = 0{,}0117 \pm 0{,}0035\, \mathrm{M}_\odot\,\mathrm{pc}^{-3}}$, zusammen mit Erkenntnissen über systematische Auswirkungen von Modellierungsannahmen, insbesondere bezüglich Symmetrien.Der zweite Teil präsentiert ein Modell zur Rekonstruktion der dreidimensionalen Verteilung von neutralem atomarem und molekularem Wasserstoffgas in der Milchstraße. Dessen Strahlung enthält Informationen über die räumliche Verteilung und Kinematik, doch die Deprojektion spektroskopischer Daten in dreidimensionale Karten ist ein nicht wohldefiniertes inverses Problem. Unser Bayesianischer Ansatz rekonstruiert beide Gaskomponenten gemeinsam mittels dreidimensionaler Gaußprozesse auf einem sphärischen Gitter unter Berücksichtigung von Strahlungstransfereffekten. Entscheidend ist dabei ein gemeinsames, räumlich variierendes Geschwindigkeitsfeld, das die Kinematik beider Spezies koppelt und so Artefakte fester Geschwindigkeitsmodelle eliminiert. Die Rekonstruktion liefert räumlich kohärente Gaskarten, die zentrale Strukturmerkmale, wie die Verformung und Aufweitung der Scheibe, sowie die lokale Blase offenbaren.Diese Arbeiten demonstrieren die Stärke der Vorwärtsmodellierung und der hochdimensionalen Bayes'schen Inferenz mit Gaußprozessen zur Informationsextraktion aus astronomischen Daten bei gleichzeitiger rigoroser Unsicherheitsquantifizierung.

Looking at the night sky, we observe the Milky Way in every direction. However, even with the influx of large quantities of high-quality data in the past decades, our understanding of the three-dimensional structure of our Galaxy remains limited. This dissertation addresses this challenge in a methodological and data-driven manner, applying Bayesian inference techniques tailored to high-dimensional problems combined with Gaussian process priors to reconstruct key Galactic components from observational data.The first part focuses on determining the dark matter density in the solar neighbourhood using stellar kinematic data from Gaia DR3 and radial velocities from various spectroscopic surveys. As stars move through the Galactic disk, the statistical properties of their motions encode information about the underlying gravitational potential, and thus the mass distribution, including dark matter. Instead of fitting restrictive parametric models to data, we build a bottom-up probabilistic forward model, employing Gaussian processes to flexibly capture smooth variations in the velocity statistics of a stellar tracer population with height above the Galactic plane. We obtain a robust constraint on the local dark matter density, ${\rho_\mathrm{DM} = 0.0117 \pm 0.0035\, \mathrm{M}_\odot\,\mathrm{pc}^{-3}}$, along with insights into the systematic effects of modelling choices, particularly concerning symmetry assumptions.The second part presents a novel framework for reconstructing the three-dimensional distribution of neutral atomic and molecular hydrogen gas in the Milky Way. The radiation emitted by the interstellar gas carries information about its spatial distribution and kinematics, but deprojecting spectroscopic line survey data into three-dimensional maps is an inherently ill-posed inverse problem. Our Bayesian approach jointly reconstructs both gas constituents within a unified probabilistic model using three-dimensional Gaussian process priors on a spherical grid, while accounting for radiative transfer effects. Crucially, we employ a common, spatially varying velocity field that couples the kinematic information of both species, eliminating artefacts associated with fixed velocity models. As a result of the reconstruction, we obtain a set of spatially coherent gas maps, revealing key features of global and local Galactic structure, such as disc warping and flaring, as well as the local bubble.Together, these projects demonstrate the power of forward-modelling and high-dimensional Bayesian inference with Gaussian process priors for extracting maximal information from astronomical surveys while rigorously quantifying uncertainties.

OpenAccess:
PDF
(additional files)