Una delle sfide più stimolanti sia da un punto di vista teorico che sperimentale è la comprensione dell'Equazione di Stato delle Stelle di Neutroni. La proliferazione di dati da osservazioni astrofisiche negli ultimi anni ha dato nuova linfa allo studio dell'Equazione di Stato, fornendo dei limiti sempre più stringenti. Questa Tesi contiene una collezione di lavori il cui obiettivo è di tradurre questi dati in vincoli riguardanti l'Equazione di Stato, attraverso la comparazione tra le evidenze sperimentali e le previsioni dei diversi modelli adottati. A questo scopo sono stati utilizzati vari metodi come simulazioni, inferenza Bayesiana e machine learning.

One of the most exiting theoretical and experimental challenges is the understanding of the Equation of State of Neutron Stars. The proliferation of data from astrophysical observations in the last years has brought new developments to the study of the Equation of State, providing increasingly stringent limits. This thesis contains a collection of works aimed to translate these data into constraints on the Equation of State, through a comparison between the experimental evidence and the prediction of different employed models. To fulfill these task, several methods, such as simulations, Bayesian inferences and machine learning approaches, have been exploited.

Probing the Equation of State of Neutron Stars through astrophysical observations

TRAVERSI, SILVIA
2021

Abstract

Una delle sfide più stimolanti sia da un punto di vista teorico che sperimentale è la comprensione dell'Equazione di Stato delle Stelle di Neutroni. La proliferazione di dati da osservazioni astrofisiche negli ultimi anni ha dato nuova linfa allo studio dell'Equazione di Stato, fornendo dei limiti sempre più stringenti. Questa Tesi contiene una collezione di lavori il cui obiettivo è di tradurre questi dati in vincoli riguardanti l'Equazione di Stato, attraverso la comparazione tra le evidenze sperimentali e le previsioni dei diversi modelli adottati. A questo scopo sono stati utilizzati vari metodi come simulazioni, inferenza Bayesiana e machine learning.
DRAGO, Alessandro
File in questo prodotto:
File Dimensione Formato  
thesis_Silvia_Traversi.pdf

accesso aperto

Descrizione: Tesi di Dottorato
Tipologia: Tesi di dottorato
Dimensione 9.03 MB
Formato Adobe PDF
9.03 MB Adobe PDF Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11392/2487875
 Attenzione

Attenzione! I dati visualizzati non sono stati sottoposti a validazione da parte dell'ateneo

Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact