项目 01
原恒星系统的化学
在 European Southern Observatory 与 Dr. Pooneh Nazari 合作,我们研究 JOYS survey 报告的气相与冰相丰度比的近期不一致。通过 radiative-transfer modelling 检验:仅改变物理结构是否足以复现这些观测差异,还是需要更复杂的化学过程。
结果表明,结构效应本身即可使推断的柱密度比发生数量级变化 — 几何结构以及盘或包层条件会显著影响我们对"化学差异"的解读。
§ 01
简要介绍
我叫 Vasileios Kalaitzidis,来自希腊雅典。目前,我在上海交通大学李政道研究所(TDLI, SJTU)和巴黎西岱大学 AstroParticle and Cosmology Laboratory(APC, Université Paris Cité)担任 Visiting Research Student,在 Dr. Gwenael Giacinti 和 Dr. Hao Zhou 的指导下,利用 Large High Altitude Air Shower Observatory(LHAASO)开展超高能 γ 射线天体物理研究。
我于 2025 年毕业于 University of St Andrews,获得 Theoretical Physics 方向的 MPhys 学位(First-Class Honours)。我的 Master's thesis 在 Dr. Martin Dominik 的指导下完成,并于 2024 年作为 exchange student 在 Purdue University 学习一学期。我也曾在 European Southern Observatory 作为 Gruber-funded Research Student 与 Dr. Pooneh Nazari 合作,并在 Dr. Indranil Banik 的指导下开展了由 Royal Astronomical Society(RAS)资助的研究。
我的研究兴趣涵盖 γ 射线天文学、原恒星系统以及宇宙学。
§ 02
精选项目与进行中的工作
我的研究涵盖原恒星化学、Hubble tension、超高能弥散 γ 射线过量,以及利用微引力透镜事件恢复恒星大气性质 — 在数值建模、观测与机器学习之间建立桥梁。
项目 01
在 European Southern Observatory 与 Dr. Pooneh Nazari 合作,我们研究 JOYS survey 报告的气相与冰相丰度比的近期不一致。通过 radiative-transfer modelling 检验:仅改变物理结构是否足以复现这些观测差异,还是需要更复杂的化学过程。
结果表明,结构效应本身即可使推断的柱密度比发生数量级变化 — 几何结构以及盘或包层条件会显著影响我们对"化学差异"的解读。
项目 02
在与 Indranil Banik 合作的 研究(由 2024 年 RAS summer student grant 资助)中,我们检验了大的本地低密度区域("local void")能否解释 baryon acoustic oscillations 数据。相较于均匀的 Planck-based model,void models 对一份跨 20 年的 BAO 测量汇编拟合明显更好,将总体张力降低到约 1σ 水平。
该研究被 Royal Astronomical Society 选为重点研究亮点。我还共同署名分析了 symmetric teleparallel f(Q) gravity 中的修正引力模型(论文),并参与了 CosmoVerse White Paper 的撰写。
项目 03
在上海交通大学李政道研究所(TDLI, SJTU),我研究 LHAASO 在银河平面观测到的超高能弥散 γ 射线过量中有多少可归因于未分辨源 — 脉冲星、超新星遗迹和 γ 射线双星。
我对这些源的族群、银河系分布及传播效应进行建模,并将结果与 LHAASO 的仪器响应和遮罩相匹配,生成 HEALPix 全天图,以将模拟结果与观测数据直接对比。
项目 04
我的 Master's thesis 聚焦于利用 caustic crossings 恢复非参数 limb-darkening profiles — 这在 fold caustics 情形下此前从未实现。方法使用 finite-element 与 product-integration 技术,对连接恒星亮度分布与微引力透镜事件期间观测通量的 Fredholm integral 进行反演。
我目前正在扩展这项工作,加入机器学习反演技术,其性能显著优于数值基线,发表中。
早期阶段海报
项目 05
在 Purdue University,我与同学 Divij Agarwal 以及 Purdue XENONnT group 合作构建了机器学习分类器用以区分信号与背景噪声。训练数据来自一套钇-铍中子源(152 keV 中子),作为 WIMP 核反冲的 calibration proxy。
研究会议海报§ 03
精选同行评审与预印本
§ 04
直接联系
地址
No. 1 Lisuo Road