Voor een typisch sterrenstelsel als de Melkweg wordt ruwweg een derde van alle sterrenlicht opnieuw verwerkt
kosmisch stof. De enige manier om het interstellaire stofgehalte van sterrenstelsels direct waar te nemen en te meten
maakt gebruik van waarnemingen op ver-infrarode en sub-millimeter (FIR / submm) golflengten. Helaas,
er zijn nu geen FIR / submm-missies operationeel of goedgekeurd. In principe zou dit echter wel moeten zijn
mogelijk om de FIR / submm-emissie van een melkwegstelsel te voorspellen, als we UV, optisch en nearinfrared hebben
beeldgegevens bij de hand.
We stellen voor om een ​​raamwerk te ontwikkelen op basis van gesuperviseerde machine learning technieken om te voorspellen
de FIR / submm-emissie van sterrenstelsels van UV naar NIR-fluxen. We zullen het algoritme trainen met
beschikbare state-of-the-art datasets met meerdere golflengtes, zowel op globale als op lokale (~ 100 pc) schalen.
We zullen ons framework gebruiken om de fysieke eigenschappen te onderzoeken die de vorm van de
FIR / submm spectrale energieverdeling, en om de invloed van omgeving en
morfologie op de FIR / submm-eigenschappen van sterrenstelsels. We zullen ook een FIR / submm atlas van maken
ongeveer 100 grote nabije sterrenstelsels, met een hoekresolutie die niet waarneembaar kan worden verkregen,
en gebruik deze afbeeldingen om complexere technieken voor radiostralingmodellering te testen.