Ponentes
Descripción
La teoría cuántica de campos es fundamental en el estudio de las partículas y sus interacciones. En este marco teórico nos encontramos con conceptos importante como las integrales de Feynman para probabilidades de transición y la técnica de renormalización para tratar las divergencias matemáticas que aparecen. En este trabajo buscamos un camino alterno a la resolución de problemas en QFT. El objetivo es plantear problemas simplificados de QFT en espacio discreto, se plantean sistemas con un número de grados de libertad reducidos, pero manteniendo las características esenciales de los fenómenos físicos. De esta forma se pretende llegar a modelos exactamente solubles sin recurrir a series de potencias en las constantes de acoplamiento e integrales de camino divergentes. Comenzamos nuestro estudio con sistemas en un espacio-tiempo reducido que consiste en un solo punto espacial y una coordenada temporal continua. La idea es estudiar modelos cada vez más complejos de campos sobre redes.
El modelo cosmológico de concordancia ΛCDM ha logrado explicar satisfactoriamente una gran cantidad de datos astronómicos, este tiene sus limitaciones, algunos ejemplos: el problema de la constante cosmológica, el problema de la coincidencia y la tensión de Hubble. Estas limitaciones han motivado el estudio de modelos más allá de ΛCDM, en particular modelos de gravedad modificada, donde se extiende la teoría Einsteniana de la gravedad para estudiar las tensiones que presenta ΛCDM y ver si estas se resuelven o se alivianan en cierta medida. En esta charla presentaré el modelo de gravedad modificada del Galileón Cúbico que es parte de un grupo de teorías llamadas escalares-tensoriales, donde se introduce un campo escalar adicional al tensor métrico que juntos gobiernan la interacción gravitacional. Se deducirán las ecuaciones de campo, así como la relación entre la distancia luminosa de objetos lejanos con las funciones libres de la teoría, con el fin de reconstruir las funciones libres a partir de datos observacionales, usando el método de Procesos Gaussianos, una técnica de machine learning con la que es posible hacer regresiones sin usar modelos paramétricos.
