論文の概要、ライセンス

# (参考訳) 球状星団系の運動学から銀河質量を推定する:深層学習に基づく新しい方法 [全文訳有]

Estimating galaxy masses from kinematics of globular cluster systems: a new method based on deep learning ( http://arxiv.org/abs/2102.00277v1 )

ライセンス: CC0 1.0
Rajvir Kaur, Kenji Bekki, Ghulam Mubashar Hassan, Amitava Datta(参考訳) 本稿では,暗黒物質を含む銀河の総質量を球状星団系(gcss)の運動量から推定する新しい方法を提案する。 提案手法では,畳み込みニューラルネットワーク(cnns)を,円板銀河と楕円銀河の数値シミュレーションにより予測されたgcsの線速度(v$)と速度分散(\sigma$)の二次元(2d)マップに適用する。 この方法では、まず、合成された2Dマップの$\sigma$("1チャネル")、または$\sigma$("2チャネル")の$\sigma$と$V$("2チャネル")の2Dマップの大きい数("\sim 200,000$")でCNNを訓練する。 次に、CNNを使用して、CNNの訓練に使用されていない完全に未知のデータセットについて、銀河の総質量(CNNのテスト)を予測します。 その結果, 1チャネルデータと2チャネルデータの総合的精度は97.6\%, 97.8\%であり, 新手法が期待できることが示唆された。 1チャンネルデータの平均絶対誤差(MAEs)はそれぞれ0.288と0.275であり、根平均二乗誤差(RMSEs)の値は1チャンネルと2チャンネルそれぞれ0.539と0.51である。 これらの2チャネルデータに対するより小さなmaesとrmses(すなわち、より良い性能)は、新しい手法が質量推定におけるgcsのグローバル回転を適切に考慮できることを示唆している。 我々は,新しい質量推定法における予測精度がcnnのアーキテクチャに依存するだけでなく,合成画像にノイズを導入することによっても影響を受けることを強調する。

We present a new method by which the total masses of galaxies including dark matter can be estimated from the kinematics of their globular cluster systems (GCSs). In the proposed method, we apply the convolutional neural networks (CNNs) to the two-dimensional (2D) maps of line-of-sight-veloci ties ($V$) and velocity dispersions ($\sigma$) of GCSs predicted from numerical simulations of disk and elliptical galaxies. In this method, we first train the CNN using either only a larger number ($\sim 200,000$) of the synthesized 2D maps of $\sigma$ ("one-channel") or those of both $\sigma$ and $V$ ("two-channel"). Then we use the CNN to predict the total masses of galaxies (i.e., test the CNN) for the totally unknown dataset that is not used in training the CNN. The principal results show that overall accuracy for one-channel and two-channel data is 97.6\% and 97.8\% respectively, which suggests that the new method is promising. The mean absolute errors (MAEs) for one-channel and two-channel data are 0.288 and 0.275 respectively, and the value of root mean square errors (RMSEs) are 0.539 and 0.51 for one-channel and two-channel respectively. These smaller MAEs and RMSEs for two-channel data (i.e., better performance) suggest that the new method can properly consider the global rotation of GCSs in the mass estimation. We stress that the prediction accuracy in the new mass estimation method not only depends on the architectures of CNNs but also can be affected by the introduction of noise in the synthesized images.
公開日: Sat, 30 Jan 2021 17:56:40 GMT

※ 翻訳結果を表に示しています。PDFがオリジナルの論文です。翻訳結果のライセンスはCC BY-SA 4.0です。詳細はトップページをご参照ください。

翻訳結果

    Page: /      
英語(論文から抽出)日本語訳スコア
1 2 0 2 n a J 1 2 0 2 n a J 0.85
0 3 ] . 0 3 ] . 0.85
O C h po r t s a [ o c h po r t s a [ 0.76
1 v 7 7 2 0 0 1 v 7 7 2 0 0 0.85
. 2 0 1 2 : v i X r a . 2 0 1 2 : v i X r a 0.85
Mon. Not. モン。 そうじゃない 0.63
R. Astron. Soc. R.アストロ。 Soc 0.59
000, 1–?? (2005) 000, 1–?? (2005) 0.92
Printed 2 February 2021 2021年2月2日版 0.53
(MN LATEX style file v2.2) (MN LATEX スタイルファイル v2.2) 0.83
Estimating galaxy masses from kinematics of globular cluster systems: a new method based on deep learning 球状星団系の運動学から銀河質量を推定する:深層学習に基づく新しい方法 0.81
Rajvir Kaur1(cid:63), Kenji Bekki2, Ghulam Mubashar Hassan1 and Amitava Datta1 1 Department of Computer Science and Software Engineering, The University of Western Australia, Australia 2 International Centre for Radio Astronomy Research (ICRAR), The University of Western Australia, Australia Rajvir Kaur1 (cid:63), Kenji Bekki2, Ghulam Mubashar Hassan1 and Amitava Datta1 1 1 Department of Computer Science and Software Engineering, The University of Western Australia, Australia 2 International Centre for Radio Astronomy Research (ICRAR), The University of Western Australia, Australia 0.93
2 February 2021 ABSTRACT 2021年2月2日 ABSTRACT 0.72
We present a new method by which the total masses of galaxies including dark matter can be estimated from the kinematics of their globular cluster systems (GCSs). 本稿では,暗黒物質を含む銀河の総質量を球状星団系(gcss)の運動量から推定する新しい方法を提案する。 0.64
In the proposed method, we apply the convolutional neural networks (CNNs) to the two-dimensional (2D) maps of line-of-sight-veloci ties (V ) and velocity dispersions (σ) of GCSs predicted from numerical simulations of disk and elliptical galaxies. 提案手法では,銀河系と楕円銀河の数値シミュレーションにより予測されるgcssの2次元(2次元)速度分布(v)と速度分散(σ)に畳み込みニューラルネットワーク(cnns)を適用する。 0.72
In this method, we first train the CNN using either only a larger number (∼ 200, 000) of the synthesized 2D maps of σ (“one-channel”) or those of both σ and V (“two-channel”). この手法では、合成されたσ(「1チャンネル」)の2次元写像のより大きな数(「200, 000」)またはσとV(「2チャンネル」)の両方の写像のいずれかを使用してCNNを最初に訓練します。
訳抜け防止モード: 本手法では, σ の合成 2D マップ ("1 - channel " ) において, CNN はより大きい数 (, 200, 000 ) のみを用いて訓練する。 σ と V ( “ two - channel ” ) の両方の値です。
0.83
Then we use the CNN to predict the total masses of galaxies (i.e., test the CNN) for the totally unknown dataset that is not used in training the CNN. 次に、CNNを使用して、CNNの訓練に使用されていない完全に未知のデータセットについて、銀河の総質量(CNNのテスト)を予測します。
訳抜け防止モード: その後、CNNを使用して銀河の総質量(すなわち、)を予測します。 CNN のトレーニングに使用されていない完全に未知のデータセットのために CNN をテストします。
0.76
The principal results show that overall accuracy for one-channel and two-channel data is 97.6% and 97.8% respectively, which suggests that the new method is promising. その結果,1チャンネルデータと2チャンネルデータの合計精度は97.6%,97.8%であり,新しい手法が有望であることが示唆された。 0.77
The mean absolute errors (MAEs) for one-channel and two-channel data are 0.288 and 0.275 respectively, and the value of root mean square errors (RMSEs) are 0.539 and 0.51 for one-channel and two-channel respectively. 1チャンネルデータの平均絶対誤差(MAEs)はそれぞれ0.288と0.275であり、根平均二乗誤差(RMSEs)の値は1チャンネルと2チャンネルそれぞれ0.539と0.51である。 0.78
These smaller MAEs and RMSEs for two-channel data (i.e., better performance) suggest that the new method can properly consider the global rotation of GCSs in the mass estimation. これらの2チャネルデータに対するより小さなmaesとrmses(すなわち、より良い性能)は、新しい手法が質量推定におけるgcsのグローバル回転を適切に考慮できることを示唆している。 0.70
We stress that the prediction accuracy in the new mass estimation method not only depends on the architectures of CNNs but also can be affected by the introduction of noise in the synthesized images. 我々は,新しい質量推定法における予測精度がcnnのアーキテクチャに依存するだけでなく,合成画像にノイズを導入することによっても影響を受けることを強調する。 0.79
Key words: galaxies:evolution – infrared:galaxies – stars:formation 主要な言葉: 銀河: 進化 – 赤外線: 銀河 – 星: 形成。 0.83
1 INTRODUCTION Globular clusters systems (GCSs) of galaxies have long been considered to have fossil information not only on the physical properties of their host galaxies but also on the their hosts’ formation histories e.g., Brodie & Strader (2006), Forbes et al. 1 紹介 銀河の球状星団システム(GCS)は、長い間、ホスト銀河の物理的性質だけでなく、ブロディ&ストラダー(2006)、フォーブスらのホストの形成履歴にも化石情報を持っていると考えられています。 0.66
(2018). Therefore, the physical properties of GCSs such as the projected radial number distributions, kinematics, metallicity distribution functions, and numbers of globular clusters (GCs) per unit galaxy luminosity (“specific frequency”) have been investigated by both observational and theoretical astronomers in various contexts of galaxy formation. (2018). したがって、投射放射数分布、キネマティクス、金属度分布関数、単位銀河光度当たりの球状クラスター数(GC)などのGCSの物理的特性は、銀河形成の様々な文脈における観測学的および理論的天文学者によって研究されている。 0.83
For example, the radial density profiles of GCSs have been discussed in the context of suppression of star formation (thus GC formation) in dwarf galaxies by cosmic reionization effects, e.g., Santos et al. 例えば、GCSの放射密度プロファイルは、宇宙のイオン化効果(例えば、サントスら)によるドワーフ銀河における星形成(すなわちGC形成)の抑制の文脈で議論されている。 0.71
(2003), Bekki et al. (2003年)、別記ら。 0.40
(2008), Spitler et al. (2008年)、Spitlerら。 0.54
(2012), Griffen et al. (2012年)、Griffenら。 0.37
(2013), Boylan-Kolchin (2018). 2013年)、Bolan-Kolchin (2018)。 0.61
One of the great advantages in studying GCSs in the context of galactic properties is that their kinematics can be used to estimate the total masses of galaxies including dark matter halos well beyond the sizes of their stellar distributions, e.g., Romanowsky et al. 銀河特性の文脈でGCSを研究する大きな利点の1つは、それらのキネマティクスが、ダークマターハロスを含む銀河の総質量を、例えばロマノフスキーらの恒星分布の大きさを超えて推定することができることである。 0.76
(2003) Peng et al. 2003年) Peng et al。 0.59
(2004) Alabi et al. (2004年) alabi et al。 0.76
(2016). Accordingly, the previous mass estimation of galaxies well beyond their five effective radii (Re) have provided strong constants on the total masses of dark matter and their mass fractions, both of which can be compared with corresponding theoretical predictions, e.g., Alabi et al. (2016). それゆえ、5つの有効半径 (re) を超える銀河のこれまでの質量推定は、暗黒物質の総質量とその質量分率に強い定数を与えており、どちらも対応する理論予測(例えば alabi など)と比較することができる。 0.83
(2017). Recently, the mass estimation of dark matter in ultra-diffuse galaxies (UDGs) using the kinematics of GCSs made a significant contribution to the better understanding of the UDG formation in clusters of galaxies (e.g., Beasley et al. (2017). 近年、GCSのキネマティクスを用いた超拡散銀河(UDG)における暗黒物質の質量推定は、銀河団(例えばビーズリー等)におけるUDGの形成をよりよく理解するために重要な貢献をした。 0.82
2016). The mass estimation of galaxies using GCS kinematics is considered to be complementary to other mass estimation methods using different mass tracers such as planetary nebulae (PNe), e.g., Peng et al. 2016). GCSキネマティクスを用いた銀河の質量推定は、惑星状星雲(PNe)などの異なる質量トレーサを用いた他の質量推定法と相補的であると考えられている。 0.83
(2004) Morganti et al. 2004年)morganti et al。 0.62
(2013) and X-ray gas, e.g., Su et al. (2013)およびX線ガス、例えば、Su et al。 0.76
(2014). (cid:63) corresponding email: 22397217@student.uwa .edu.au (2014). (cid:63) 対応メール: 22397217@student.uwa .edu.au 0.73
There are a number of ways to estimate the total masses 総質量を推定する方法はいくつかあります。 0.75
英語(論文から抽出)日本語訳スコア
2 Rajvir Kaur, Kenji Bekki, Ghulam Mubashar Hassan and Amitava Datta 2 Rajvir Kaur、Kenji Bekki、Ghulam Mubashar Hassan、Amitava Datta。 0.84
of galaxies using the radial number density profiles and kinematics of mass tracers like GCs and PNe in galaxies (e.g., Alabi et al. 銀河のラジアル数密度プロファイルとGCやPNeのような質量トレーサのキネマティクス(例えば、Alabi et al.)を用いた銀河の。 0.77
2016). For example, Romanowsky et al. 2016). 例えば、romanowsky et al。 0.76
(2003) used the observed line-of-sight-veloci ties (V ) of 109 PNe in NGC 3379 to estimate the total mass and the mass-to-lightratio using the spherical Jeans equation with a range of the anisotropy parameter. 2003年) は NGC 3379 において観測された109 PNeの視線速度 (V) を用いて、異方性パラメータの範囲の球状ジャンス方程式を用いて総質量と光度を推定した。 0.79
Peng et al. (2004) used the radial profiles of GC number density, velocity dispersion, and rotation amplitude in NGC 5128 in order to derive the total mass based on the Jeans equation. ペンなど。 (2004)では、ジャンス方程式に基づいて総質量を導出するために、NGC5128のGC数密度、速度分散、回転振幅の半径プロファイルを用いた。 0.50
More recently, Alabi et al. 最近では、Alabi et al。 0.82
(2016) have applied the new robust mass estimator proposed by Watkins et al (2010) to the observed kinematics of GCSs in 23 early-type galaxies from SLUGGS survey Brodie et al. 2016年)は、Watkins et al(2010年)によって提案された新しい堅牢な質量推定器を、SLUGGSの調査Brodie et alから23の早期型銀河のGCSの観測されたキネマティクスに適用した。 0.62
(2014) in order to derive the total masses of galaxies and the mass fractions of dark matter up to ∼ 13Re. 2014年)は、銀河の総質量と暗黒物質の質量分数を最大13Reまで導出するために。 0.67
Deep learning has been recently used for various purposes of astronomical studies, such as morphological classification of galaxies, e.g., Dieleman et al. 深層学習は近年、銀河の形態分類(例:dieleman et al)など、天文学研究の様々な目的に用いられている。 0.78
(2015) and determination of mass-ratios of galaxy merging leading to S0 formation, e.g., Diaz et al. (2015)と銀河融合の質量比の決定により、S0が形成される(例:ディアス等)。 0.64
(2019). These new methods based on deep learning can dramatically speed up astronomical tasks (e.g., automated galaxy classification without using the human eye) and thus improve the productivity in astronomical research. (2019). 深層学習に基づくこれらの新しい方法は、天文学のタスク(例えば、人間の目を使用せずに自動銀河分類)を劇的に高速化し、天文学研究の生産性を向上させることができる。 0.77
One of key elements in these studies based on deep learning is to use a large “training dataset”: images of galaxies with different Hubble type for a galaxy classification problem. 深層学習に基づくこれらの研究の重要な要素の1つは、大きな「トレーニングデータセット」を使うことである。 0.40
It is thus possible that deep learning can be applied to the mass estimation of galaxies using kinematics of GCs, if a large number of two-dimensional (2D) maps of GCS kinematics are available for the training dataset. したがって、トレーニングデータセットで多数のgcsキネマティックの二次元(2d)マップが利用可能であれば、gcのキネマティックスを用いて銀河の質量推定にディープラーニングを適用することができる。 0.72
A possible advantage of the mass estimation method based on deep learning is that the details of 2D kinematics of GCSs can be all used to derive the total masses of galaxies: radial and azimuthal variations of line-of-sight-veloci ties (V , which can measure global rotation) and velocity dispersions (σ, which can measure random kinetic energy) can be used for the mass estimation in the method based on deep learning. 深層学習に基づく質量推定手法の利点は、gcsの2次元運動学の詳細が銀河の全質量を導出するためにすべて利用できることである: 視線速度のラジアルおよび方位変化(大域回転を計測できるv)と速度分散(σ、ランダム運動エネルギーを計測できる)は、深層学習に基づく方法の質量推定に使用できる。 0.77
Although the radial profiles of velocity dispersions (σ) of GCSs can be self-consistently considered in the standard method based on the Jeans equation, the rotation amplitudes of GCSs and their radial and azimuthal dependencies are not properly included in the method. GCSの速度分散(σ)のラジアルプロファイルは、Jeans方程式に基づく標準法で自己整合的に考慮することができるが、GCSの回転振幅とそのラジアルおよびジムーマ依存性は、方法に適切に含まれていない。 0.67
Also, the tracer mass estimator of Watkins et al. また、watkins et alのトレーサ質量推定器。 0.55
(2010) assumes spherically symmetric distributions of GCs and thus does not consider properly global rotation (along minor and major axes) of GCSs and its radial dependence. (2010)は、GCSの球対称分布を仮定し、GCSの適切な大域回転(小軸と大軸)とその放射依存性を考慮しない。 0.77
These suggest that the new mass estimation method based on deep learning can be promising, if a large number of 2D kinematics of GCSs can be used. これらのことから,GCSの2次元キネマティクスを多用できれば,深層学習に基づく新たな質量推定手法が期待できると考えられる。 0.79
The purpose of this paper is thus to estimate the total mass of disk and elliptical galaxies by applying deep learning to the kinematics of GCSs of the galaxies. そこで本稿の目的は,銀河のGCSの速度論に深層学習を適用して,円盤銀河と楕円銀河の総質量を推定することである。 0.79
Since this is the very first paper on this topic, we try to demonstrate that the new method does work in the mass estimation using the synthesized two-dimensional (2D) maps of line-of-sight velocities (V ) and velocity dispersion (σ) from numerical simulations of these galaxies with GCs. 本論文は,これらの銀河のgcを用いた数値シミュレーションから,視線速度 (v) と速度分散 (σ) の2次元(2d)マップを合成し,質量推定において新たな手法が有効であることを示す。
訳抜け防止モード: この話題に関する最初の論文ですから 本研究では,これらの銀河のgcsによる数値シミュレーションから,視線速度 (v) と速度分散 (σ) の2次元 (2d) マップを合成し,質量推定において新しい手法が有効であることを示す。
0.90
Accordingly, in this “proof-of-concept” phase of this project, we do not try to apply the developed method to real observations in the present study: it is our future study to estimate the total masses of galaxies by applying the method to real observations. したがって、この「概念の証明」段階では、本研究において、本手法を実際の観測に応用しようとはしていない:本手法を実際の観測に適用することにより銀河の総質量を推定することが将来の研究である。 0.77
We have also investigated the observational data of the globular 球形の観測データについても検討した。 0.74
cluster system (GCS) in NGC 3115 Dolfi et al. NGC 3115 Dolfi et alのクラスタシステム(GCS)。 0.76
(2020) : one of the authors in our paper is on Dolfi et al. (2020) : 私たちの論文の著者の一人は、Dolfi et alです。 0.74
(2020) (so that we can access to the data). (2020)です(つまり、データにアクセスできます)。 0.67
However, we have found that the GCs in the galaxy are not distributed across the square field - we cannot have the reliable 2D map of GCS kinematics for the square region around the galaxy for a comparison with simulated square maps of GCSs. しかし、銀河のGCは平方体全体に分布していないことが判明しました。銀河周辺の平方領域のGCSキネマティクスの信頼できる2Dマップは、GCSのシミュレートされた平方写像と比較することができません。 0.76
Since, we need the square map of GCS kinematics for the input data to CNNs, this is not an ideal situation. CNNへの入力データにはGCSキネマティクスのスクエアマップが必要なので、これは理想的な状況ではありません。 0.75
There should be other datasets for other galaxies, but, it is beyond the scope of this paper to generate the square 2D maps of GCS kinematics using these data. 他の銀河には別のデータセットがあるはずだが、これらのデータを用いてGCSキネマティックスの正方形の2Dマップを生成するのは、この論文の範囲を超えている。
訳抜け防止モード: 他の銀河のための他のデータセットがあるはずです。 しかし この論文の範囲を超えて これらのデータを用いてGCSキネマティクスの平方2次元マップを生成する。
0.79
Therefore, we would like to do this test in our forthcoming papers. そのため、近日中の論文でこのテストを行いたいと思います。 0.74
In this new method based on deep learning, we first need to generate a large number of pairs of (i) 2D maps of GCS kinematics and (ii) known total masses of galaxies (“labels”) from numerical simulations in order to train the convolutional neutral networks (CNNs) using a training dataset. 深層学習に基づく新しい手法では,まず,畳み込みニュートラルネットワーク(cnns)をトレーニングデータセットを用いて学習するために,数値シミュレーションから,gcsキネマティックスの(i)2次元マップと(ii)既知の銀河の総質量(「ラベル」)を多数生成する必要がある。 0.79
In this “supervised learning”, a large number of synthesized images of GCSs (> 104) are used in the present study. この「教師あり学習」では,GCSの多数の合成画像(>104)が用いられている。 0.64
We mainly investigate how accurately the CNNs can predict the total masses of galaxies whose 2D maps of GCSs are not used in the training phase of CNNs. GCSの2DマップがCNNのトレーニング段階で使用されていない銀河の総質量をCNNが正確に予測できるかを主に調査します。 0.75
We also investigate how the prediction accuracy can depend on the introduction of noise in the synthesized 2D maps of GCSs, because it is inevitable for spectroscopic estimation of V for GCs to have a certain degree of observational errors. また、GCがある程度の観測誤差を持つためには、Vの分光学的推定が不可欠であるため、GCの合成2次元写像におけるノイズの導入に予測精度がどのように依存するかを検討する。 0.75
We use the 2D kinematics maps of GCSs in isolated disk galaxies and elliptical galaxies formed from major merging of two disk galaxies with different orbital parameters. 分離された円盤銀河と楕円銀河のgcsの2次元キネマティクスマップは、異なる軌道パラメータを持つ2つの円盤銀河の大規模な融合によって形成される。 0.62
We adopt such idealized major merger models for elliptical galaxy formation, because this study is still in the proof-of-concept phase for the adopted new mass estimation method. 本研究は新質量推定法における概念実証段階にあるため, 楕円銀河形成のための理想的な主融合モデルを採用する。 0.79
We will use the 2D maps of GCSs from cosmological simulations of GCS formation in our future studies. 今後の研究では、GCSの生成の宇宙シミュレーションからGCSの2次元マップを利用する。 0.77
The plan of the paper is as follows. 紙の計画は以下の通りである。 0.81
We describe (i) the models of disk and elliptical galaxies with GCS, (ii) a way to construct the 2D kinematic maps of GCSs, and (iii) the architectures of CNNs used in the present study in Section 2. 本稿では,(i) GCSによる円盤銀河と楕円銀河のモデル,(ii) GCSの2次元キネマティック写像の構築方法,(iii) 本研究におけるCNNのアーキテクチャについて述べる。
訳抜け防止モード: 我々は(i)GCSによる円盤と楕円銀河のモデルを記述する。 (i) GCSの2次元キネマティックマップを構築する方法。 そして(iii) 第2節で現在研究されているCNNのアーキテクチャについて述べる。
0.76
We present the results of the predictions from CNN for disk and elliptical galaxies, in particular, the prediction accuracies of CNNs in the mass estimation in Section 3. 本稿では,CNNによる円盤銀河と楕円銀河の予測結果,特に第3節の質量推定におけるCNNの予測精度について述べる。 0.70
Based on these results, we provide several implications of the present results in the context of mass estimation of galaxies using GCSs of galaxies in Section 4. これらの結果から,第4節の銀河のGCSを用いた銀河の質量推定の文脈における現在の結果のいくつかの意味について述べる。 0.72
We summarize our conclusions in Section 5. 結論をセクション5にまとめます。 0.55
In this paper, we focus exclusively on the accuracy of prediction from CNNs in the mass estimation of galaxies (including dark matter) from GCS kinematics . 本稿では,GCSキネマティックスによる銀河(暗黒物質を含む)の質量推定におけるCNNからの予測精度にのみ焦点をあてる。 0.77
Accordingly, we do not discuss other key issues related to the origin of GCSs in galaxies. したがって、銀河におけるGCSの起源に関する他の重要な問題は議論しません。 0.72
Since we focus on the mass estimation of galaxies based on recent methods using GCS kinematics, we do not discuss other classic methods using the projected mass estimator, e.g., Bahcall & Tremaine (1981) and the total numbers of bright GCs, e.g., Prole et al. GCSキネマティクスを用いた最近の手法に基づく銀河の質量推定に焦点が当てられているため、投影された質量推定器(1981年)やプロール等のような明るいGCの総数など、他の古典的な手法について論じることはできない。 0.80
(2019). 2 THE MODEL (2019). 2 モデル 0.70
In this paper, we numerically examine the dynamical evolution of GCSs in isolated disk galaxies (“disk” models) and el- 本稿では,分離円盤銀河("disk"モデル)とel-におけるgcsの動的進化を数値的に検討する。 0.75
英語(論文から抽出)日本語訳スコア
liptical galaxies formed by major merging (“elliptical” models). 楕円銀河は、大きな融合(楕円模型)によって形成される。 0.62
We do not discuss the details of the physical characteristics of the disk and elliptical galaxies as we focus exclusively on the structures and kinematics of GCSs. 我々は、GCSの構造と運動学にのみ焦点をあてるため、円盤と楕円銀河の物理的特性の詳細については論じない。 0.72
The details of the evolution of the interstellar medium (ISM) are highly unlikely to influence the physical properties of GCSs because GCs are mostly located outside the gaseous and stellar disks of disk galaxies. 恒星間媒体(ISM)の進化の詳細は、GCが主にディスク銀河の気体および恒星円盤の外側にあるため、GCSの物理的性質に影響を与える可能性は極めて低い。 0.77
We investigate isolated disk galaxy models with different rotation and different ratios of stellar bulges to the stellar disk of their GCSs. GCSの恒星円盤に対する恒星膨らみの異なる回転と異なる比を持つ孤立円盤銀河モデルについて検討する。 0.69
For merger models, we consider merging of two spiral galaxies with various bulgeto-disk-ratios and baryonic mass fractions. 融合モデルでは、2つの渦巻銀河と様々なバルゲト・ディスク・レイオスとバリオン質量分画の融合を考える。 0.67
In our previous simulations, we investigated the chemodynamical evolution of disk and elliptical galaxies using our original simulation codes (i.e. 前回のシミュレーションでは、独自のシミュレーションコードを用いて、円盤銀河と楕円銀河の分子動力学的進化を調べた。 0.71
Bekki & Shioya 1998; Bekki 2013). Bekki & Shioya 1998, Bekki 2013)。 0.76
We use our original simulation code developed by Bekki (2013), though we do not investigate the evolution of gas, metals, and dust in the present paper. 我々はbekki (2013) が開発したシミュレーションコードを用いたが, 本論文ではガス, 金属, ダストの進化について検討していない。 0.76
2.1 Structure and kinematics of a stellar disk 2.1 恒星円盤の構造と運動学 0.80
The total masses of dark matter halo, gas disk, stellar disk, and bulge of a disk galaxy are assumed to have masses of Mh, Mg, Ms, and Mb, respectively. ダークマターハロ、ガスディスク、恒星ディスク、およびディスク銀河のバルジの総質量は、それぞれMh、Mg、Ms、Mbの質量を有すると仮定される。 0.67
In this preliminary work, we only show the results of models with no gas (fg = Mg/Ms = 0). この予備作業では、ガスのないモデル(fg = Mg/Ms = 0)の結果のみを示します。 0.85
The ratio of stellar bulge to stellar disk is denoted by a parameter fb and is determined as Mb/Ms. 恒星円盤に対する恒星膨らみの比率はパラメータfbによって示され、Mb/Msとして決定される。 0.67
The fundamental parameters in this investigation are Mh, fbary, and fb. この調査の基本的なパラメータは、Mh、fbary、fbです。 0.71
We assume that the radial density profile of the dark matter halo is described as the Navarro, Frenk & White model suggested from Cold Dark Matter simulations in order to describe the initial density profile of dark matter halo in a disk galaxy Navarro et al. 我々は、ダークマターハロの放射密度分布をコールドダークマターシミュレーションから提案されたナバロ・フリーク・アンド・ホワイトモデルとして記述し、ディスク銀河ナバロらのダークマターハロの初期密度分布を記述することを仮定する。 0.67
(1996). It is explained as: (1996). 次のように説明する。 0.72
ρ(r) = ρ0 (r/rs)(1 + r/rs)2 , ρ(r) = ρ0 (r/rs)(1 + r/rs)2 , 0.83
(1) where ρ0 is the characteristic density of a dark halo, r is the spherical radius and rs is defined as the scale length of the halo. (1) ρ0 がダークハロの特性密度であるとき、r は球面半径であり、rs はハロのスケール長として定義される。 0.80
The ratio of rvir and rs (c = rvir/rs) is known as cparameter, where rvir is known as the virial radius of a dark matter halo. rvir と rs (c = rvir/rs) の比率は cparameter と呼ばれ、rvir は暗黒物質のハロのウイルス半径として知られている。 0.76
The value of rvir for a given dark halo mass (Mdm) is chosen by using the c− Mh relation for z = 0, e.g., Neto et al. 与えられた暗いハロ質量(Mdm)に対するrvirの値は、z = 0、例えばNeto et alのc−Mh関係を用いて選択される。 0.79
(2007). The Hernquist density profile represents the bulge of a disk galaxy. (2007). Hernquist密度プロファイルは、ディスク銀河の膨らみを表します。 0.80
This bulge of disk galaxy has a scale-length of R0,b and size of Rb. 円盤銀河のこの膨らみは、R0,bのスケール長とRbのサイズを有する。 0.74
The bulge is supposed to have radial and isotropic velocity dispersion which are explained by Jeans equation for a spherical system. バルジは、球面系のジャンス方程式によって説明される半径と等方速度の分散を持つと考えられる。 0.77
The value of bulge-to-disk ratio (fb = Mb/Md) for a disk galaxy ranges from 0 (pure disk galaxy) to 4 (bulge-dominated). 円盤銀河のバルジ対ディスク比(fb = mb/md)の値は、0(純粋な円盤銀河)から4(バルジ優位)の範囲である。 0.67
The ‘Milky Way-type’ models are those with fb = 0.17 and Rb = 0.2Rs, where Rs is the stellar disk size of a galaxy. ミルキー・ウェイ型」モデルは fb = 0.17 と Rb = 0.2Rs を持つモデルであり、Rs は銀河の恒星円盤サイズである。 0.80
We use the masssize scaling relation which is given by Rb = CbM 0.5 b . Rb = CbM 0.5 b で与えられる質量スケール関係を用いる。 0.63
From this relation, Rb for a given Mb can be determined. この関係から、与えられた Mb に対する Rb を決定することができる。 0.74
The value of Cb is determined so that Rb can be 3.5 kpc for Mb = 1010M(cid:12) (corresponding to the mass and size of the Milky Way’s bulge). Cbの値は、Mb = 1010M(cid:12) に対して Rb が 3.5 kpc となるように決定される(天の川塊の質量と大きさに対応する)。 0.82
The vertical (Z) and radial (R) density profiles of the stellar disk are proportional to exp(−R/R0) having scale length R0 = 0.2Rs and sech2(Z/Z0) with scale length Z0 = 0.04Rs respectively. 恒星円盤の垂直(Z)と半径(R)密度プロファイルは、それぞれスケール長R0 = 0.2Rsのexp(−R/R0)とスケール長Z0 = 0.04Rsのsech2(Z/Z0)に比例する。 0.79
The model we use for our study 私たちの研究に使用するモデル 0.89
Dark matter masses in galaxies 銀河における暗黒物質質量 0.76
3 Table 1. Description of the basic parameter values for the fiducial model for merging of two disk galaxies 3 表1。 2つの円盤銀河の融合のための分裂モデルの基本パラメータ値の記述 0.78
Physical properties Total halo mass (galaxy) DM structure (galaxy) galaxy virial radius (galaxy) c parameter of galaxy halo Number of GCs in a GCS Rotational energy fraction of a GCS Stellar disk mass Stellar disk size Gas disk size Disk scale length Bulge mass Bulge size Mass resolution Size resolution Mass-ratio of two spirals in a merger Initial distance of two spirals in a merger Circular velocity factor of a merger Star formation Chemical evolution Dust evolution 物理特性 total halo mass (galaxy) dm structure (galaxy) galaxy virial radius (galaxy) c parameter of galaxy halo number of gcs rotational energy fraction of a gcs stellar disk mass stellar disk size gas disk size disk scale bulge mass bulge size mass bulge size mass resolution size resolution of two spirals in a merge initial distance of two spirals in a merge circular velocity factor of a merge star formation chemical evolution dust evolution (英語) 0.81
Parameter values Mdm = 1.0 × 1012M(cid:12) NFW profile Rvir = 245 kpc c = 10 Ngc = 200 frot = 0.0 Ms = 6.0 × 1010M(cid:12) Rs = 17.5 kpc Rg = 17.5 kpc R0 = 3.5 kpc Mb = 1010M(cid:12) Rb = 3.5 kpc 5.0 × 104M(cid:12) 175 pc 1.0 140 kpc fv = 0.45 Not included Not included Not included パラメータ値 Mdm = 1.0 × 1012M(cid:12) NFW profile Rvir = 245 kpc c = 10 Ngc = 200 frot = 0.0 Ms = 6.0 × 1010M(cid:12) Rs = 17.5 kpc Rg = 17.5 kpc R0 = 3.5 kpc Mb = 1010M(cid:12) Rb = 3.5 kpc 5.0 × 104M(cid:12) 175 pc 1.0 140 kpc fv = 0.45 含まれていない。 0.81
has Rs = 17.5 kpc. Rs = 17.5 kpcである。 0.77
The initial radial and azimuthal velocity dispersion are assigned to the disc component using the epicyclic theory with Toomre’s parameter, Q = 1.5, along with the rotational velocity produced by the gravitational field of the disk. 初期ラジアル速度と方位速度の分散は、トームアのパラメータ Q = 1.5 のエピサイクル理論と、ディスクの重力場によって生成される回転速度を用いてディスク成分に割り当てられる。 0.81
The vertical velocity dispersion at a given point is set to be half the radial velocity dispersion at that point. 所定の点における垂直速度分散は、その点における半径速度分散の半分に設定される。 0.82
The total number of particles in a fiducial model with fb = 0 : 167 is 1016700 and it depends on fb. fb = 0 : 167 の核模型における粒子の総数は 1016700 であり、fb に依存する。 0.77
The mass resolution is 1.2× 104M(cid:12) in all models of the current study. 質量分解能は、現在の研究の全モデルで1.2×104M(cid:12)である。 0.57
The gravitational softening length for every component is decided by the size of distribution and a total number of particles in each component (Rs and rvir). 各成分の重力軟化長さは、各成分(Rsおよびrvir)の分布の大きさおよび総粒子数によって決定される。 0.84
It is set to be 320 pc, which is much finer than 1 − 2 kpc spatial resolutions used for the image analysis in this study. この研究では、画像解析に使用される1 − 2 kpcの空間分解能よりもはるかに微細である320 pcに設定されています。 0.79
These spatial and mass resolutions are not particularly high, mainly because we have to run numerous models for the limited amount of computing time allocated for this project. これらの空間分解能と質量分解能は、主にこのプロジェクトのために割り当てられた限られた計算時間に対して、多数のモデルを実行する必要があるため、特に高くはない。
訳抜け防止モード: これらの空間分解能と質量分解能は特に高くない。 このプロジェクトのために割り当てられた 限られた計算時間のために 多数のモデルを走らせる必要がある
0.61
We believe that the adopted resolutions are good enough to construct the CNNs (later described) and analyze the image data from simulations. 我々は,CNNの構築(後述)とシミュレーションによる画像データ解析に十分な解像度が得られたと信じている。 0.81
2.1.1 Globular cluster systems 2.1.1 球状クラスターシステム 0.58
We briefly discuss the model as we use the same model for GCSs as used in Bekki et al. Bekki et alで使用されているGCSと同じモデルを使用するため、モデルを簡潔に説明します。 0.71
(2005). The GCS in a disk galaxy is supposed to have a radial density profile of ρ(r) ∝ r−3.5. (2005). 円盤銀河の GCS は ρ(r) / r−3.5 の放射密度プロファイルを持つと考えられている。 0.83
Therefore, we assume that a GCS in a disk has radial density profile given by following equation: したがって、ディスク内のgcsは以下の式で与えられる放射密度プロファイルを持つと仮定する。 0.78
ρ(r) = ρgc,0 2 + r2)1.75 , ρ(r) = ρgc,0 2 + r2)1.75 , 0.76
(agc (2) where r is the spherical radius, ρgc,0 is the central number density of the GCS, and agc is the scale length of the GCS. (agc) (2) r が球面半径、ρgc,0 が GCS の中心数密度、agc が GCS のスケール長である。
訳抜け防止モード: (agc) (2) ここで r は球面半径です ρgc,0 は GCS の中心数密度である。 そして agc は GCS のスケールの長さです。
0.86
This ρgc,0 is defined according to the agc. この ρgc,0 は agc に従って定義される。 0.69
In this study, we do not distinguish between metal-poor and metal-rich GCSs, though such two different GC populations are considered in Bekki et al. 本研究では,この2つのGC集団がベッキらで検討されているが,金属が乏しいGCSと金属が豊富なGCSの区別は行わない。 0.69
(2005). Therefore, we adopt a single value of agc = 0.3Rd (∼ 5 kpc for a Milky Way-type disk (2005). したがって、天の川型ディスクにはagc = 0.3rd(5 kpc)の1つの値を採用する。 0.74
英語(論文から抽出)日本語訳スコア
4 Rajvir Kaur, Kenji Bekki, Ghulam Mubashar Hassan and Amitava Datta 4 Rajvir Kaur、Kenji Bekki、Ghulam Mubashar Hassan、Amitava Datta。 0.84
Figure 1. The adopted architecture of our original CNN with four convolutional layers followed by max-pooling layer, dropout and dense layers and a linear output layer. 図1。 4つの畳み込み層、最大プール層、ドロップアウト層、高密度層、線形出力層を備えたオリジナルのCNNのアーキテクチャを採用。 0.72
The details of the architecture are explained in the main text. アーキテクチャの詳細は、メインテキストで説明されている。 0.72
galaxy) for a GCS. This adopted value is consistent with the observed GC distribution of the galaxy. 銀河系(GCS)。 この採用値は銀河の観測されたGC分布と一致している。 0.69
The cut off radius (Rc) is set to be 3Rd for GCSs (∼ 50 kpc for a Milky Way-type disk galaxy). カットオフ半径 (Rc) は GCS に対して 3Rd (天の川型円盤銀河では 50 kpc) に設定されている。 0.76
This is a radius beyond which no GC particles are initially allocated. これはgc粒子が最初に割り当てられていない半径である。 0.77
The GCS in a disk is supported by both rotation velocity and velocity dispersion. ディスク内のGCSは回転速度と速度分散の両方で支持される。 0.79
This velocity dispersion is assumed to be isotropic. この速度分散は等方性であると仮定される。 0.66
We introduce a parameter frot that describes the ratio of total rotational energy (Trot) of a GCS to its total kinetic energy (Tkin): 我々は、GCSの総回転エネルギー(回転エネルギー)と総運動エネルギー(回転エネルギー)の比を記述するパラメータfrotを導入する。 0.74
frot = Trot Tkin frot = トロットキン 0.61
. (3) We assume that each GC is rotating around the spin axis of its host galaxy (the z-axis) and the above frot determines its rotational velocity. . (3) 各GCはホスト銀河のスピン軸(z軸)の周りを回転していると仮定し、上記のフロットはその回転速度を決定する。 0.83
In order to estimate the rotational velocity of each GC, we take the following steps. 各GCの回転速度を推定するために、以下の手順をとります。 0.67
We first evaluate the 3D velocities of a GC particle from the gravitational potential at the position of dynamical equilibrium. まず,動力学平衡位置における重力ポテンシャルからGC粒子の3次元速度を評価する。 0.75
This is a position where velocity dispersion at each GC should be the same as that for dark matter. これは各gcにおける速度分散がダークマターの場合と同じであるべき位置である。 0.79
We then add the rotational velocity to the GC and reduce the 3D velocities so that frot can be the adopted value. 次に、GCに回転速度を追加し、3次元速度を小さくして、フロットが採用値となるようにします。 0.62
The total number of GCs in a disk galaxy is 200. 円盤銀河におけるGCの総数は200である。 0.72
2.1.2 Orbital configurations of galaxy merging 2.1.2 銀河融合の軌道配置 0.66
The orbits of the two disks are initially set to be in the x-y plane in all the merger simulations with different mass-ratios of two disks (m2). 2つの円盤の軌道は、2つの円盤(m2)の質量比が異なるすべてのマージシミュレーションにおいて、当初はx-y平面に設定される。 0.68
The distance between the centers of mass of the two disks is [4 − 8]Rd for all models. 2つの円盤の質量の中心間の間隔はすべてのモデルのための[4 − 8]Rdです。 0.86
The relative velocity of the two galaxies is vc∗ fv, where vc is the circular velocity at the initial distance and fv is the circular velocity factor (fv) ranging from 0.05 (highly radial) to 1.0 (circular orbit). 2つの銀河の相対速度は vc, fv であり、vc は初期距離の円速度であり、fv は 0.05 (高ラジアル) から 1.0 (円軌道) までの円速度係数 (fv) である。 0.85
The GCSs of merger remnants in the models with larger fv can show higher degrees of global rotation (i.e., More angular momentum in the GCSs), because the initial より大きなfvを持つモデルにおける合併残差のGCSは、初期値からより高い大域回転(すなわちGCSのより角運動量)を示すことができる。 0.80
two disk galaxies can have larger orbital angular momentum. 2つの円盤銀河は 軌道角運動量が大きい 0.72
On the other hand, the models with small fv can have more radial orbital of GCs and lower intrinsic angular momentum in GCSs. 一方、小さなfvを持つモデルはGCのラジアル軌道を持ち、GCSの本質的な角運動量を下げることができる。 0.70
Therefore, the diverse kinematics in GCSs can be seen in these models with different fv. したがって、GCSの様々なキネマティクスは、異なるfvを持つこれらのモデルで見ることができる。 0.67
θi denotes the spin of each galaxy in a merger, where the subscript i identifies each galaxy. θi は合併中の各銀河のスピンを表し、i は各銀河を識別する。 0.69
Here, θi is the angle between the vector of the angular momentum of the disk and the z-axis. ここで θi は円板の角運動量のベクトルと z-軸の間の角度である。 0.86
We change these angles for the two disks randomly. 2つのディスクの角度をランダムに変更します。 0.66
The azimuthal angle φ is measured from the xaxis to the projection of the angular momentum vector of the disk onto the x-y plane, and this is set to be 0 for the two disks because this is not an important parameter in the present study. 方位角φは、円板の角運動量ベクトルから x-y 平面への射影までの軸軸から測定され、これはこの研究において重要なパラメータではないため、2つの円板に対して 0 となる。 0.77
The time when the progenitor disks merge entirely and reach the dynamical equilibrium is less than 20.0 in our units for most of the models, though it is longer for smaller m2. 前駆体円板が完全に合流して力学平衡に達する時間は、我々のほとんどのモデルでは20.0未満であるが、より小さいm2ではより長い。 0.69
2.1.3 Method to derive 2D kinematics maps of GCS 2.1.3 GCSの2次元キネマティクスマップの導出方法 0.67
Figure 2 clearly explains the simulated galaxy is divided into 10 × 10 meshes with each mesh being investigated in terms of GCS kinematics. 図2に示すように、シミュレーション銀河は10×10のメッシュに分割され、それぞれのメッシュはgcsキネマティックスの観点から研究されている。 0.66
Moreover, we split the data to 80% vs 20% randomly for galaxy models too. さらに、銀河モデルについても、データを80%対20%にランダムに分割した。 0.78
2.2 CNN Architecture 2.2 CNNアーキテクチャ 0.73
In the literature, CNNs have become the dominant deep learning approach for visual object recognition. 文献では、CNNは視覚的物体認識において支配的な深層学習アプローチとなっている。 0.65
It is used for image classification, object detection and segmentation. 画像分類、オブジェクト検出、セグメンテーションに使用されます。 0.74
CNNs are not restricted to visual perception and are also successful at other tasks, such as voice recognition or natural language processing. CNNは視覚的な認識に限定されず、音声認識や自然言語処理などの他のタスクでも成功しています。 0.77
In the present study, we will use CNNs with the architectures similar to those used in our previous study for galaxies under ram pressure stripping and galaxy interaction for the regression problems of the present study Bekki 本研究では,前回の研究で用いた銀河系に類似した構造を持つCNNを用いて,本研究の回帰問題に対するラム圧ストリッピングと銀河間相互作用について検討する。 0.72
CNN Architecture with four Convolutional layers 𝑴p= ?ConvolutionKernel = 3x3Stride =1+ReLUConvolutionKerne l = 3x3Stride =1+ReLUMax poolingKernel = 2x2Stride = 132x3x364x3x3Dropout 25%FlattenDense128Dr opout50%OutputRegres sionInput 10x10128x3x3Convolut ionKernel = 3x3Stride =1+ReLUConvolutionKerne l = 3x3Stride =1+ReLU256x3x3 CNN Architecture with four Convolutional Layer Mp = ?ConvolutionKernel = 3x3Stride = 1+ReLUConvolutionKerne l = 3x3Stride = 1+ReLUMax poolingKernel = 2x2Stride = 132x3x364x3Dropout25 %FlattenDense128Drop out50%OutputRegressi onInput 10x10128x3Convolutio nKernel = 3x3Stride = 1+ReLUConvolutionKerne l = 3x3Stride = 1+ReLU256x3x3 0.46
英語(論文から抽出)日本語訳スコア
Table 2. A brief summary for the adopted architectures of CNNs and the results for dataset from (i) isolated disk models, (ii) elliptical galaxies models, and (i)+(ii). 表2。 i)孤立したディスクモデル、(ii)楕円銀河モデル、および(i)+(ii)からのデータセットに対するCNNのアーキテクチャと結果の簡単な要約。 0.71
Dark matter masses in galaxies 銀河における暗黒物質質量 0.76
5 Name DL1 DL2 DL3 DL4 DL5(noise) 5 DL1 DL2 DL3 DL4 DL5 (noise) 0.83
Number of images Model image 100,000 80,000 200,000 200,000 200,000 画像数 モデル画像 100,000 80,000 200,000 200,000 200,000 0.62
disk galaxy merger disk + merger disk + merger disk + merger disk galaxy merge disk + merge disk + merge disk + merge disk + merge 0.78
1000 1000 1000 1000 1000 1000 1000 1000 1000 1000 0.85
CNN architecture Training epochs Accuracy (One-Channel) Accuracy (Two-Channel) 2 convo 2 convo 2 convo 4 convo 4 convo cnn architecture training epochs accuracy (one-channel) accuracy (two-channel) 2 convo 2 convo 2 convo 4 convo 4 convo 0.94
0.937 0.972 0.946 0.976 0.809 0.937 0.972 0.946 0.976 0.809 0.44
0.965 0.980 0.959 0.978 0.812 0.965 0.980 0.959 0.978 0.812 0.44
ron in the second convolutional layer is connected only to the neurons in the receptive field of the first convolutional layer. 第2の畳み込み層のronは、第1の畳み込み層の受容野のニューロンにのみ接続される。 0.66
This architecture enables the network to focus on low-level features in the first hidden layer, then combine them into higher-level features in the next hidden layer G´eron (2017). このアーキテクチャにより、ネットワークは第1の隠蔽層における低レベル機能に集中し、次に隠蔽層 G ́eron (2017) における高レベル機能と組み合わせることができる。 0.72
The first convolutional layer filters the (10×10×1) input image with 32 filters of size (3×3×1) having stride of length 1 (both horizontally and vertically) and “valid” padding. 第1の畳み込み層は、(10×10×1)の入力画像を、長さ1(水平と垂直の両方)のストライドを持つ32のフィルタ(3×3×1)でフィルタリングする。 0.80
Here, the stride is a distance between two receptive fields. ここで、ストライドは2つの受容場の間の距離である。 0.54
In convolutional layer, choosing an appropriate number of filters is significant for feature detection. 畳み込み層では、特徴検出には適切なフィルタ数を選択することが重要である。 0.69
We can start any neural network with filter range [ 32, 64, 128 ] in the input layers and increasing their size to [ 256, 512, 1024 ] in deeper layers G´eron (2017). 入力層にフィルタ範囲 [32, 64, 128 ] を持つニューラルネットワークを起動し、より深い層 G ́eron (2017) で [256, 512, 1024 ] にサイズを拡大することができます。 0.84
The convolutional layers require another parameter which is kernel size. 進化論 レイヤはカーネルサイズという別のパラメータを必要とする。 0.52
There are various kernel sizes available (1, 1), (2, 2), (3, 3), (5, 5) and (7, 7). 利用可能なカーネルサイズは (1, 1), (2, 2), (3, 3), (5, 5) および (7, 7) である。 0.69
Since our input size for the images is (10×10) pixels, we prefer to use the kernel size of (3 × 3). 画像の入力サイズは(10×10)ピクセルなので、カーネルサイズ(3×3)を使うことが望ましい。
訳抜け防止モード: 画像の入力サイズは (10×10 ) ピクセルである。 私たちは (3 × 3 ) のカーネルサイズを使うのが好きです。
0.81
If we have a larger image, then we can use larger kernels. より大きなイメージがあれば、より大きなカーネルを使うことができます。 0.72
Also encouraged by the architecture of VGGNet, we decided to use the kernel size of (3 × 3) Simonyan & Zisserman (2014). また、vggnet のアーキテクチャに刺激され、カーネルサイズ (3 × 3) simonyan & zisserman (2014) を使用することにしました。 0.70
Similarly, the second convolutional layer in our network has 64 filters of the same kernel size (3 × 3) with stride (1 × 1). 同様に、ネットワークの第2畳み込み層は、ストライド(1 × 1)と同一のカーネルサイズ(3 × 3)の64個のフィルタを持つ。 0.78
The number of parameters in the first and second convolutional layer are 320 and 18,496, respectively. 第1および第2畳み込み層のパラメータの数はそれぞれ320および18,496である。 0.88
Moreover, we used our convolutional layers with ReLu activation function, because ReLu trains network several times faster as compared to the tanh activation function (Krizhevsky, Sutskever & Hinton 2017). さらに,tangアクティベーション関数(krizhevsky,sutskeve r & hinton 2017)と比較して,reluの列車網が数倍高速であるため,reluアクティベーション機能付き畳み込み層を用いた。 0.76
The study showed that a four-layer CNN with ReLUs attained 25% training error rate on CIFAR-10 (i.e. その結果, CIFAR-10(すなわち, ReLUs を用いた4層 CNN で25% のトレーニング誤差が得られた。 0.75
it took 6 times less time to train than a comparable network with a tanh activation function ) Krizhevsky et al. トレーニングに要した時間は、tanhアクティベーション関数 ) krizhevsky et al の同等のネットワークより6倍短縮された。 0.75
(2017). Therefore, we decided to select ReLU as an activation function with each convolutional layer to save computing time. (2017). そこで,各畳み込み層を活性化関数としてreluを選択し,計算時間を節約した。 0.77
2.2.2 Pooling layers 2.2.2 プール層 0.56
Since, max-pooling layer in CNN architecture offers stronger translation invariance than average pooling, and it requires slightly less work to compute. CNNアーキテクチャのmax-poolingレイヤは平均的なプーリングよりも強い翻訳不変性を提供し、計算に必要な作業はわずかに少ない。 0.68
Therefore, max-pooling layers are now more commonly used as compared to average pooling layers. したがって、最大プール層は平均プール層よりも一般的に使用されるようになった。 0.62
Hence, we decided to use only one max-pooling layer with (2 × 2) and stride of 1 (both horizontally and vertically) in order to get the best features and reduce computational complexity. そこで,最適機能と計算複雑性の低減のために, (2 × 2) と 1 のストライド(水平, 垂直ともに) の最大プーリング層を1つだけ使うことにした。 0.84
It is used to reduce the input shape further, and the network does not learn anything from this layer. 入力形状をさらに小さくするために使用され、ネットワークはこの層から何も学ばない。 0.71
Therefore, the number of parameters in max-pooling remains 0. したがって、maxプールのパラメータ数は0である。 0.77
Figure 2. 2D maps of line-of-velocity (V , left) and velocity dispersion (σ, right) in the isolated disk model with global rotation in its GCS. 図2。 分離円板モデルにおける直線速度 (v, 左) と速度分散 (σ,右) の2次元写像とそのgcsにおける大域回転 0.74
The maps are derived within R < 1.2 Rd, where Rd is the initial size of the stellar disk in this model. 写像は R < 1.2 Rd 内で導出され、Rd はこのモデルにおける恒星円盤の初期サイズである。 0.81
Figure 3. Time evolution of the projected distribution of GCs onto the x − z projection (the orbital plane of the merger) in the fiducial merger model with fv = 0.45 and Ngc = 200. 図3。 fv = 0.45 および Ngc = 200 の人種的合併モデルにおける x − z 射影(合併の軌道平面)への GC の射影分布の時間進化。 0.75
Each dot is a GC, and the scale is given in simulation units (17.5 kpc). 各ドットはGCであり、スケールはシミュレーションユニット (17.5 kpc) で与えられる。 0.76
et al. (2019) Bekki et al. など。 (2019年) bekki et al。 0.54
(2019) Diaz et al. (2019) Diaz et al。 0.82
(2019) Cavanagh & Bekki (2020). (2019) Cavanagh & Bekki (2020)。 0.81
We also use a CNN that is newly developed for the purpose of more accurate predictions of total masses of galaxies from GCSs. また、GCSから銀河全体の質量をより正確に予測するために、新たに開発されたCNNを用いている。 0.71
The CNN network that we used for our model is summarized in Figure 1. 我々のモデルで使用したCNNネットワークは、図1にまとめられている。 0.76
In the following subsections, we describe the overall architecture of our CNN model. 以下の節では、cnnモデルの全体的なアーキテクチャを説明します。 0.63
2.2.1 Convolutional layers 2.2.1 畳み込み層 0.53
The architecture initially consists of two convolutional layers. 当初、このアーキテクチャは2つの畳み込み層から構成される。 0.55
Neurons in the first convolutional layer are only connected to pixels in their receptive fields. 第1の畳み込み層のニューロンは、受容領域のピクセルにのみ接続される。 0.68
Similarly, each neu- 同様に、各neu- 0.71
英語(論文から抽出)日本語訳スコア
6 Rajvir Kaur, Kenji Bekki, Ghulam Mubashar Hassan and Amitava Datta 6 Rajvir Kaur、Kenji Bekki、Ghulam Mubashar Hassan、Amitava Datta。 0.84
Figure 4. 2D maps of V and σ for merger models with Ngc = 20000 (upper left), Ngc = 2000 (upper right), Ngc = 200 and Rsm = 2.5×R0 (lower left) and Ngc = 200 and Rsm = 5 × R0, Here R0 is the scale length of the initial stellar disk. 図4。 Ngc = 20000 (右上), Ngc = 2000 (右上), Ngc = 200 と Rsm = 2.5×R0 (左下), Ngc = 200 と Rsm = 5 × R0 の合併モデルに対する V と σ の2次元写像 R0 は初期恒星円盤のスケール長である。 0.77
2.2.3 Dropout 2.2.3 ドロップアウト 0.44
Dropout has proven to be highly successful and is reported to give 1-2% accuracy improvement in results Hinton et al. dropoutは高い成功率を示しており、augments hintonなどでは1-2%の精度向上が報告されている。 0.66
(2012). The dropout technique consists of producing zero output for each hidden neuron with some probability. (2012). ドロップアウト技術は、ある確率で隠れたニューロンごとにゼロ出力を生成する。 0.78
We use dropout with a fully connected layer with probability 0.50. 確率 0.50 の完全連結層を持つドロップアウトを用いる。 0.81
The purpose of this layer is to help our network generalize and not to over-fit. このレイヤの目的は、ネットワークの一般化を支援し、過度に適合しないことです。
訳抜け防止モード: この層の目的は ネットワークが一般化し、過度に適合しないよう支援します。
0.70
Neurons from the current hidden layer with probability p will randomly disconnect from neurons in the next hidden layer so that the network has to rely on the existing connections. 確率 p を持つ現在の隠れ層からのニューロンは、ネットワークが既存の接続に依存する必要があるように、次の隠れ層内のニューロンからランダムに切り離される。 0.75
The hyper-parameter p is called the dropout rate, and it is typically set to 50%. ハイパーパラメータ p はドロップアウト率と呼ばれ、通常は50%に設定されている。 0.75
Since dropout just removes the nodes that are below the mentioned weights, the number of parameters in the dropout layer remains zero. ドロップアウトは、上述の重み以下のノードを削除するだけなので、ドロップアウト層のパラメータ数はゼロのままである。 0.75
At testing phase, we simply use the connection weights that have been learned from the training process. テストフェーズでは、トレーニングプロセスから学んだ接続重みを単純に使用します。 0.63
In our architecture, we used two dropout layers; one is on top of max-pooling layer while the other is on top of the dense layer. アーキテクチャでは、2つのドロップアウト層を使用しました。1つは最大プール層の上に、もう1つは高密度層の上にあります。 0.68
We set our max-pooling layer to have a dropout rate of 25%, and a dense layer with 128 neurons having a drop out rate of 50%. 私たちは、最大のプール層を25%のドロップアウト率と、128のニューロンが50%のドロップアウト率を持つ高密度層に設定しました。 0.68
2.2.4 Output layer The last layer of our CNN architecture is the output layer. 2.2.4 出力層 私たちのCNNアーキテクチャの最後の層は出力層です。 0.68
We do not use any dropout layer on the output layer. 出力層にドロップアウト層は使用していません。 0.76
The fully connected layer, in the end, contains 73,856 parameters. 完全な連結層は、最後に73,856個のパラメータを含む。 0.77
A “linear activation function” is added at the last 最後に「線形活性化関数」が追加される 0.83
layer to the network. ネットワークへの層。 0.69
The output of this layer is the prediction value itself. この層の出力は予測値自身である。 0.70
In our case, its output is the mass of the dark matter Mp which is normalized to 0-10 value. この場合、その出力は、0-10値に正規化された暗黒物質Mpの質量である。 0.81
We have converted it into Msun for the output. 出力のためにMsunに変換しました。 0.71
2.2.5 CNN with four convolutional layers 畳み込み層を有する2.2.5 CNN 0.61
One of the most critical choices in network design was the number of convolutional layers. ネットワーク設計における最も重要な選択の1つは畳み込み層数である。 0.79
It was noticed that successive 2D convolutional layers have the effect of transforming input to extract increasingly high-level representation, at the expense of spatial resolution Hariharan et al. 連続した2次元畳み込み層は空間分解能を犠牲にして入力を変換して高レベル表現を抽出する効果があることに気づいた。 0.71
(2017). In our research, we tested our CNN with a different number of convolution layers, to investigate the trade-off between extracting higher-level features and preserving spatial resolution. (2017). 本研究では,高次特徴抽出と空間分解能保持のトレードオフを検討するため,様々な畳み込み層を用いてcnnをテストした。 0.81
Initially, we started with two layers and tested our model on one-channel and two-channel data. 最初は2つのレイヤから始め、1チャンネルと2チャンネルのデータでモデルをテストしました。 0.64
Then, motivated by AlexNet’s architecture Krizhevsky et al. その後、AlexNetのアーキテクチャKrizhevskyらに動機づけられました。 0.80
(2012), we put four convolution layers directly on top of each other. (2012)、私達は互いに直接4つの畳み込みの層を置きます。 0.75
Table 2 and Table 3 show the results with both architectures. 表2と表3は両方のアーキテクチャで結果を示しています。 0.72
We found that the accuracy of our model increased by adding more convolution layers. その結果,畳み込み層を増やすことで,モデルの精度が向上した。 0.75
Therefore, our final model contains four convolutional layers on top of each other as shown in Fig. したがって、最終モデルは図に示すように、互いに上に4つの畳み込み層を含む。 0.70
1. The third convolutional layer has 128 filters with kernel size 3x3 followed by next convolutional layer having 256 filters with the same kernel size 3x3. 1. 第3の畳み込み層は、カーネルサイズ3x3の128フィルタと、同じカーネルサイズ3x3の256フィルタを持つ次の畳み込み層を有する。 0.78
The total number of parameters in the architecture with two convolutional layers is 92,930. 2つの畳み込み層を持つアーキテクチャのパラメータの総数は92,930です。 0.80
However, the number of parameters significantly しかし、パラメータの数は著しく多い。 0.75
𝑵𝑵𝒈𝒈𝒄𝒄=𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝑵𝑵𝒈𝒈𝒄𝒄=𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝑵𝑵𝒈𝒈𝒄𝒄=𝟐𝟐𝟐𝟐𝟐𝟐,𝑹𝑹𝒔𝒔𝒔𝒔=𝟐𝟐.𝟓𝟓∗𝑹𝑹𝟐𝟐𝑵𝑵𝒈𝒈𝒄𝒄=𝟐𝟐𝟐𝟐𝟐𝟐,𝑹𝑹𝒔𝒔𝒔𝒔=𝟓𝟓∗𝑹𝑹𝟐𝟐 𝑵𝑵𝒈𝒈𝒄𝒄=𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝑵𝑵𝒈𝒈𝒄𝒄=𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝟐𝑵𝑵𝒈𝒈𝒄𝒄=𝟐𝟐𝟐𝟐𝟐𝟐,𝑹𝑹𝒔𝒔𝒔𝒔=𝟐𝟐.𝟓𝟓∗𝑹𝑹𝟐𝟐𝑵𝑵𝒈𝒈𝒄𝒄=𝟐𝟐𝟐𝟐𝟐𝟐,𝑹𝑹𝒔𝒔𝒔𝒔=𝟓𝟓∗𝑹𝑹𝟐𝟐 0.29
英語(論文から抽出)日本語訳スコア
increases to 420,994 in case of four convolutional layers architecture. 4つの畳み込み層アーキテクチャの場合、420,994に増加する。 0.63
2.2.6 Performance comparison measures 2.2.6 性能比較措置 0.62
We have calculated errors to compare the performance of our model on one-channel and two-channel data using error density plots, given by the following equation: 誤差密度プロットを用いて, 1チャネルデータと2チャネルデータにおけるモデルの性能を比較するために, 誤差を計算した。 0.81
Ei = (Mp − Mc) 英(えい) (Mp − Mc) 0.59
Mc (4) where, Mp and Mc represent the predicted and actual mass of dark matter, respectively. mc (4) ここで、MpとMcはそれぞれ暗黒物質の予測質量と実際の質量を表します。 0.77
Moreover, it is also necessary for our research to look at cumulative distribution plots in order to compare the performance of one-channel and two-channel data. さらに,1チャネルと2チャネルのデータの性能を比較するために,累積分布プロットを検討することも必要である。 0.77
We use the absolute values of errors to plot cumulative distribution plots as given in the following equation: |Ei| = 誤差の絶対値を使用して、次の方程式で与えられた累積分布プロットをプロットします。 0.76
|Mp − Mc| (5) |Mp − Mc| (5) 0.82
|Mc| Additionally, we use the well-established Root Mean Square Errors (RMSEs) and Mean Absolute Errors (MAES) as metrics for evaluating model performance. |Mc| さらに,確立された根平均二乗誤差 (rmses) と平均絶対誤差 (maes) をモデル性能評価の指標として用いる。 0.70
We have also used accuracy of the model in order to compare performance of CNN for images from different galaxies. また,銀河の異なる画像に対してcnnの性能を比較するために,このモデルの精度を用いた。 0.73
Mc and Mp are the normalized values 0-10. Mc と Mp は正規化値 0-10 である。 0.72
We converted them into Msun for the output, but, the real DM masses are used for the accuracy estimation. 出力のためにMsunに変換しましたが、実際のDM質量は精度推定に使用されます。 0.70
Moreover, the number of bins used for accuracy estimation is 20. また、精度推定に使用するビンの数は20である。 0.79
In the following section, we will describe our significant results of estimation of dark matter mass using the proposed CNN architecture. 下記の節では,提案したCNNアーキテクチャを用いた暗黒物質質量推定の有意な結果について述べる。 0.75
3 RESULTS We first briefly show the 2D kinematics maps of GCs in the fiducial merger model with different Ngc, because we need to demonstrate how the present results can depend on Ngc in Section 3.1. 3結果 まず、異なるNgcを持つフィデューシャル・マージ・モデルにおけるGCの2次元キネマティクス・マップを簡潔に示し、この結果が3.1節においてNgcに依存することを示す必要がある。 0.61
Then we describe the results of the CNNbased mass from GCSs in disk galaxies using 100,000 images dataset (e.g, 2D maps of σ and V ) in Section 3.2. 次に、ディスク銀河中のGCSから得られたCNN質量を、セクション3.2の10万の画像データセット(σとVの2Dマップなど)を用いて記述する。 0.69
Table 2 describes the number of images and the model parameters for CNNs. 表2はCNNの画像数とモデルパラメータを示しています。 0.80
For these disk galaxy models, we divide the images into 80,000 for training CNNs and 20,000 for testing. これらのディスク銀河モデルでは、画像をcnnのトレーニングのために80,000、テストのために20,000に分割します。 0.58
We also describe the results for the elliptical galaxy models (i.e., galaxy mergers) with 80,000 images in Section 3.3. また、第3.3節で8万枚の画像を含む楕円銀河モデル(すなわち銀河融合)の結果についても述べる。 0.63
We then show the results for the combined dataset from disk and elliptical galaxy models in Section 3.4. 次に、ディスクと楕円銀河モデルの組合せデータセットの結果をセクション3.4で示す。 0.78
For these results, the testing data are different from the training one, but both are generated from the same galaxy models. これらの結果に対して、テストデータはトレーニングデータとは異なるが、どちらも同じ銀河モデルから生成される。 0.80
In Section 3.5, we test the CNN trained by these images for the totally unknown dataset that is not used in training CNNs. 第3.5節では、これらの画像によって訓練されたCNNを、CNNのトレーニングに使用されていない全く未知のデータセットでテストします。 0.55
Thus we can check the prediction accuracy of our CNNs in a more stringent manner. したがって、より厳格な方法でCNNの予測精度を確認することができます。 0.71
In Section 3.6, we demonstrate how the obtained results depend on the CNN architectures by comparing the prediction accuracies between different CNNs. セクション3.6では、異なるCNN間の予測精度を比較することにより、結果がCNNアーキテクチャにどのように依存するかを示す。 0.62
3.1 2D Kinematics maps for GCSs GCSのための3.1 2Dキネマティクスマップ 0.54
We generate 100 images of the GCS in a galaxy viewed from 100 angles. 我々は100の角度から見た銀河のgcsの100の画像を生成する。 0.79
Therefore, one galaxy has 100 different images. したがって、1つの銀河は100の異なる画像を持つ。 0.65
For example, DL1 model sequence has 100,000 images 例えば、DL1モデルシーケンスには10万の画像があります。 0.50
Dark matter masses in galaxies 銀河における暗黒物質質量 0.76
7 (training data set), which means 100,000/100 = 1000 different GCSs (galaxies) are used. 7 100,000/100 = 1000の異なるGCS(銀河)が使用される(トレーニングデータセット)。 0.79
Since the number of GCs are quite different in different elliptical galaxies, we investigate the details of 2D maps for the present study to investigate how the 2D maps of V and σ depend on the number of GCs (Ngc). GCの数は楕円銀河ではかなり異なるため、本研究では2次元写像の詳細を調査し、Vとσの2次元写像がGC(Ngc)の数にどのように依存するかを検討する。 0.76
Fig. 4 describes the 2D maps for the fiducial merger model with different Ngc = 200, 2000 and 20000 and different Gaussian smoothing length of Rsm = 2.5R0 and 5.0R0 for Ngc = 200. フィギュア。 4 は、Ngc = 200, 2000, 20000 と異なるガウス平滑化長 Rsm = 2.5R0 と5.0R0 の異なる Ngc = 200 の空間合併モデルの 2D マップを記述する。 0.59
This demonstrates that (i) global rotation of this GCS can be clearly seen in all four models, i.e., even in the model with a low GC number and (ii) the radial gradient of σ, which is a key in the mass estimation of galaxies, can also be clearly observed. これは、(i)このGCSのグローバル回転は、すべての4つのモデルで明確に見ることができることを示しています。すなわち、GC番号が低いモデルでも、(ii)銀河の質量推定の鍵であるσの放射勾配も明確に観察することができます。 0.83
These details of GCS kinematics, such as radial gradients of σ and V profiles, are the characteristic features that our CNNs can capture to estimate the total masses of galaxies. σおよびVプロファイルの半径勾配のようなGCSキネマティクスのこれらの詳細は、我々のCNNが銀河の総質量を推定するために捉えることのできる特徴である。 0.79
However, the random noise due to a small number of GCs per pixel can be more remarkable for the models with low GC numbers. しかし、GC数が少ないモデルでは、ピクセル当たりのGCが少ないため、ランダムノイズがより顕著になる可能性があります。 0.67
It is a key question in this study whether the trained CNN can predict accurately the total masses of galaxies with low GC numbers (i.e., with nosier 2D maps). この研究では、訓練を受けたCNNがGC番号が低い銀河の総質量を正確に予測できるかどうか(すなわち、ノシエ2Dマップ)が重要な問題である。 0.70
As shown in the subsequent subsections, even our CNNs trained by images from GCSs with Ngc = 200 can accurately predict the total masses of galaxies from GCS kinematics. その後のセクションで示されているように、NCS = 200のGCSからの画像によって訓練されたCNNでさえ、GCSキネマティクスからの銀河の総質量を正確に予測できます。 0.62
This implies that noisy images do not greatly prevent CNNs from learning the characteristic features of GCS kinematics that depend on galaxy masses. これは、騒々しい画像がCNNが銀河質量に依存するGCSキネマティクスの特徴を学ぶのを非常に妨げないことを意味する。 0.68
Other problems related to observational noise in spectroscopic determination of V and σ will be discussed in Section 4. v と σ の分光学的決定における観測ノイズに関するその他の問題は、第4節で論じる。 0.78
3.2 CNN prediction of disk galaxies 3.2 CNNによるディスク銀河の予測 0.68
In the first set of experiments, we have selected 100,000 images from disk galaxies, 80% of images were randomly selected for training while rest of 20% were dedicated for testing the performance of our network. 最初の実験では、ディスク銀河から10万枚の画像を選択し、80%の画像がランダムに訓練用に選択され、残りの20%はネットワークの性能試験に費やされた。 0.77
We have trained our CNN for 1000 epochs for disk galaxies models and for others in this study, because 1000 epochs are enough for the prediction accuracy to become very high (more than 95%), From Table 2, the model’s accuracy for one-channel and twochannel data for disk galaxies are 0.937 and 0.965, respectively. 我々はCNNを1000エポック(円盤銀河モデル)のために訓練し、またこの研究で1000エポック(円盤銀河モデル)は予測精度が非常に高い(95%以上)ので、テーブル2から、円盤銀河の1チャネルと2チャネルデータの精度は0.937と0.965である。
訳抜け防止モード: 我々は、ディスク銀河モデルのための1000エポックのためのCNNを訓練した この研究の他の研究者にとって、1000エポックは予測精度を非常に高めるのに十分である(95%以上)。 表2では、円盤銀河のチャネルと2チャネルのデータはそれぞれ0.937と0.965である。
0.80
This indicates that the CNN trained by two-channel data has a higher accuracy as compared to one-channel data. これは、2チャンネルデータで訓練されたcnnが1チャンネルデータよりも精度が高いことを示している。 0.67
This is mainly because the CNN trained by two-channel data can properly consider global rotation (i.e., rotational energy of self-gravitating systems) in the mass-estimation. これは主に、2チャネルデータによって訓練されたCNNが、質量推定における大域回転(すなわち自己重力系の回転エネルギー)を適切に考慮できるためである。 0.63
Furthermore, Fig. 5 presents a detailed comparison between the predicted galaxy mass and the correct one (“ground truth”) for disk galaxies. さらに、図。 5は、予測された銀河質量と、ディスク銀河の正しい銀河質量("ground truth")との詳細な比較を示す。 0.75
In this Fig. 5, Mc on the x-axis represents correct dark matter masses and the y-axis indicates predicted dark matter mass in disk galaxy images. この図で。 5、x軸上のMcは正しい暗黒物質質量を表し、y軸はディスク銀河画像で予測された暗黒物質質量を示す。 0.69
The error bar in each mass bin represents the overall mean and standard deviation for the predicted values of total galactic masses. 各質量ビンの誤差バーは、全銀河質量の予測値の全体的な平均値と標準偏差を表します。 0.80
The black line indicates where Mc = Mp and the blue one connect the average of the predicted mass in each bin in Fig. 黒い線は、Mc = Mpと青い線がフィグの各ビンで予測された質量の平均を接続する場所を示しています。
訳抜け防止モード: 黒線は場所を示します。 Mc = Mpと青いものは、図中の各ビンの予測質量の平均を接続します。
0.82
5 . This clearly demonstrates that the CNN can accurately predict the total mass of galaxies for a wide range of galaxy masses, though the standard deviation is not very small. 5 . これは、CNNが幅広い銀河質量の銀河の総質量を正確に予測できることを明確に示しているが、標準偏差はそれほど小さくない。 0.82
It is observed from Fig. それは図から観察されます。 0.61
5 that the two-channel (velocity dispersion σ, and line-of-sight velocity V of GCs) predictions are better as compared to one-channel (velocity dis- 5)では,2チャネル(速度分散σ,GCの直視速度V)の予測は,1チャネル(速度分散σ)に比べて良好である。 0.70
英語(論文から抽出)日本語訳スコア
8 Rajvir Kaur, Kenji Bekki, Ghulam Mubashar Hassan and Amitava Datta 8 Rajvir Kaur、Kenji Bekki、Ghulam Mubashar Hassan、Amitava Datta。 0.84
Table 3. Summary of results for CNN model used for disk, merger and disk + merger galaxies. 表3。 ディスク、合併、およびディスク+合併銀河に使用されるCNNモデルの結果の概要。 0.75
Name DL1 DL2 DL3 DL4 DL5(with noise) 名称DL1 DL2 DL3 DL4 DL5(ノイズ付き) 0.74
Images Model Image 100,000 80,000 200,000 200,000 200,000 画像モデル:10万80,000 200,000 200,000 0.59
disk galaxy merger disk + merger disk + merger disk+merger ディスク銀河マージディスク+マージディスク+マージディスク+マージディスク 0.63
MAE (One-channel) MAE (Two-channel) RMSE (One-channel) RMSE (Two-channel) 0.571 0.265 0.501 0.288 2.722 MAE (One-channel) MAE (Two-channel) RMSE (One-channel) RMSE (Two-channel) 0.571 0.265 0.501 0.288 2.722 0.65
0.404 0.188 0.367 0.275 2.835 0.404 0.188 0.367 0.275 2.835 0.44
0.833 0.357 0.733 0.539 3.234 0.833 0.357 0.733 0.539 3.234 0.44
0.707 0.239 0.595 0.51 3.408 0.707 0.239 0.595 0.51 3.408 0.44
Figure 5. Predicted vs correct dark matter mass within disk galaxies for one-channel (left) and two-channel data (right). 図5。 ディスク銀河の1チャンネル(左)と2チャンネル(右)のデータに対する予測 vs. 正しい暗黒物質質量。 0.72
Here onechannel (two-channel) means that only σ data (both σ and V data) is used in the CNN-based prediction. ここで1チャンネル(2チャンネル)は、CNNベースの予測でσデータ(σとVの両方のデータ)のみが使用されることを意味します。
訳抜け防止モード: ここで onechannel (2 - channel ) は cnnに基づく予測では、σデータ(σとvデータの両方)のみが使用される。
0.77
Mc on the x-axis represents the correct value of dark matter mass, and Mp on the y-axis represents predicted dark matter mass. x軸上のマクはダークマター質量の正しい値を表し、y軸上のMpは予測ダークマター質量を表す。 0.77
Error bars in the plot represent overall mean and standard deviation of the dark matter masses within disk galaxies. プロット内の誤差バーは、ディスク銀河内のダークマター質量の全体平均と標準偏差を表します。 0.79
The Black line indicates Mp = Mc, and the blue line represents the predicted mass values for dark matter within disk galaxies. 黒線はMp = Mcを表し、青色線は円盤銀河内の暗黒物質に対する予測質量値を表す。 0.75
The number of bins used is 20. 使用するビンの数は20個。 0.75
persion σ) predictions as the error bars are small in case of two-channel data. persion σ) 2チャンネルデータの場合、エラーバーとしての予測は小さい。 0.80
For an idealistic behavior, the error-bar plot should have points symmetrically distributed around the 45-degree straight line. 理想的な振る舞いとして、エラーバープロットは45度の直線に対称に分布する点を持つべきである。 0.65
The two plots in Fig. 図の2つのプロット。 0.74
5 show absolute symmetry. 5は絶対対称性を示す。 0.66
Hence, the accuracy of 93.7% and 96.5% are proved through these plots. その結果、93.7%と96.5%の精度が得られた。 0.80
Moreover, Table 3 gives information about MAEs and RMSEs for one-channel and two-channel data for different galaxy models. さらに、テーブル3は、異なる銀河モデルのための1チャネルおよび2チャネルのデータのためのMAEおよびRMSEに関する情報を提供します。 0.62
Table 3 shows RMSEs for one-channel and two-channel data for disk galaxies are 0.833 and 0.707, respectively, and MAEs for one-channel and two-channel data are 0.571 and 0.404, respectively. 表3は、ディスク銀河の1チャンネルデータと2チャンネルデータのrmsesはそれぞれ0.833と0.707であり、1チャンネルデータと2チャンネルデータのmaesはそれぞれ0.571と0.404である。 0.67
This means model with two-channel data for disk galaxies performs better than the model with one-channel data as the values of RMSEs and MAEs for the model with two-channel data are smaller than the model with one-channel data. つまり、2チャンネルデータを持つモデルではRMSEとMAEの値が1チャンネルデータを持つモデルよりも小さいため、1チャンネルデータを持つモデルよりも2チャンネルデータを持つモデルの方が優れた結果が得られる。 0.77
These results again confirm that global rotation of GCSs should be considered for more accurate mass estimation of galaxies. これらの結果は、GCSのグローバルな回転が銀河のより正確な質量推定のために考慮されるべきであることを示している。
訳抜け防止モード: これらの結果は再び gcsのグローバル回転は、銀河のより正確な質量推定のために考慮されるべきである。
0.66
Furthermore, Fig. 6 presents the error distribution plot for one-channel and two-channel data for disk galaxy images. さらに、図。 6は、ディスク銀河画像の1チャンネルおよび2チャンネルデータの誤差分布プロットを提示する。 0.74
It is a line plot for histogram. それはヒストグラムのためのラインプロットです。 0.65
Since, the intervals on the xaxis are very fine, the plot will look cluttered, that is why なので、x軸の間隔は非常に良いので、プロットは乱雑に見えます。 0.64
it is plotted as a line. 線としてプロットされています 0.55
It can be observed that Ei on the xaxis represents the errors calculated from Equ. X軸上のEiは、Equから計算された誤差を表すことが観察できる。 0.71
(4) using the predicted values of total galaxy mass and the ground truth (i.e., correct mass). (4) 全銀河質量と地上真理(すなわち正質量)の予測値を用いて。 0.69
The y-axis represents the number of errors per each bin. y軸は各ビン毎のエラー数を表す。 0.75
Since the line of two-channel data (orange curve) near the zero is higher as compared to one-channel data (blue curve) in Fig. 図1の1チャンネルデータ(青い曲線)と比較して、ゼロ付近の2チャンネルデータ(オレンジ曲線)の線が高くなるからです。 0.73
6, we can say that the model with two-channel data gives better predictions in comparison to the model with one-channel data in case of disk galaxies. 6) 2チャンネルデータを持つモデルは、ディスク銀河の場合の1チャンネルデータと比較して、より良い予測を与えると言える。 0.71
The performance of models with one-channel and twochannel data can be quantified reasonably well by using the cumulative error distribution graph shown in Fig. figに示した累積誤差分布グラフを用いて、一チャネルデータと二チャネルデータによるモデルの性能を合理的に定量化することができる。 0.74
7. In this figure, |Ei| on the x-axis represents the absolute values of errors calculated from Equ. 7. この図では、x軸上の |ei| は equ から計算された誤差の絶対値を表す。 0.77
(5) using the predicted values of galaxy mass and the ground truth. (5)銀河質量の予測値と基底真理を用いた。 0.68
The y-axis shows N (E < |Ei|), i.e., the total number of images with the predicted E less than a certain value (Ei). y軸は、N (E < |Ei|)、すなわち、予測されたEを持つ画像の総数は、ある値 (Ei) 以下である。 0.80
From Fig. 7, the model with two-channel data (orange curve) shows that around 45% of predicted dark matter mass has less than 5% of errors. 図から。 2チャンネルデータ(オレンジ曲線)を持つモデルでは、予測されるダークマター質量の約45%が5%未満の誤差を持っている。 0.72
On the other hand, the model with one-channel data (blue curve) in the same Fig. 一方、一つのチャネルデータ(青い曲線)を持つモデルは、同じ図で示される。 0.82
7 shows more than 30% of predicted dark matter mass has less than 5% of errors. 7は予測されたダークマター質量の30%以上が誤差の5%未満であることを示している。 0.65
英語(論文から抽出)日本語訳スコア
Dark matter masses in galaxies 銀河における暗黒物質質量 0.76
9 Figure 8. Predicted vs correct dark matter mass within elliptical galaxies for one-channel (left) and two-channel data (right). 9 図8。 1チャンネル(左)と2チャンネル(右)のデータに対する楕円銀河内の正確な暗黒物質質量の予測 0.76
The model with two-channel data performs better than the model with one-channel data for elliptical galaxies as well, as accuracy is higher in case of two-channel data. 2チャンネルデータを持つモデルは、楕円銀河の1チャンネルデータを持つモデルよりも優れており、2チャンネルデータの場合の精度が高い。 0.78
Fig. 8 clearly demonstrates that our CNN’s predictions are quite accurate for most images from elliptical galaxies with different total masses. フィギュア。 CNNの予測は、全質量の異なる楕円銀河のほとんどの画像にとって、かなり正確であることを示している。 0.57
This confirms that our CNN model gives better predictions in case of mergers as compared to isolated disk galaxies. これは、CNNモデルが孤立したディスク銀河と比較して合併した場合により良い予測を与えることを確認します。 0.56
The error-bar plot shows idealistic behavior as all the points symmetrically distributed around the 45-degree straight line. 誤差バープロットは、45度の直線に対称に分布する全ての点が理想主義的挙動を示す。 0.71
Hence, the accuracy of 97.2% and 98.0% for one-channel and two-channel respectively can be clearly observed in Fig. したがって、1チャンネルと2チャンネルのそれぞれ97.2%と98.0%の精度はfigで明らかである。 0.78
8. The two-channel predictions in this case again look better as compared to one-channel predictions, which is totally consistent with the results from other models in this study This again strongly suggests that rotational properties of GCSs should be properly considered in the mass estimation of elliptical galaxies formed by major merging. 8. この場合の2チャネル予測は、この研究の他のモデルの結果と完全に一致している1チャネル予測と比較して再び良く見える。これはまた、大きなマージによって形成された楕円銀河の質量推定において、GCSの回転特性を適切に考慮すべきであることを強く示唆している。 0.76
Table 3 shows RMSEs for one-channel and two-channel data for elliptical galaxies are 0.357 and 0.239 respectively, and MAEs for one-channel and two-channel data are 0.265 and 0.188 respectively, for elliptical galaxies. 表3は、楕円銀河の1チャンネルデータと2チャンネルデータのrmsesはそれぞれ0.357と0.239であり、1チャンネルデータと2チャンネルデータのmaesはそれぞれ0.265と0.188である。 0.63
Again in both cases, the model with two-channel data has smaller error values as compared to one-channel data (i.e., more accurate predictions in two-channel). どちらの場合も、2チャンネルデータを持つモデルは、1チャンネルデータ(すなわち、2チャンネルのより正確な予測)に比べてエラー値が小さい。 0.79
Moreover, these error values are almost half of the error values of disk galaxies, which confirms that our CNN performs better in case of elliptical galaxies as compared to disk galaxies. さらに、これらの誤差値は円盤銀河の誤差値のほぼ半分であり、我々のcnnは円盤銀河と比較して楕円銀河の場合より優れた性能を示す。 0.74
Fig. 10 shows that (i) more than half of predicted total galaxy mass has less than 5% of errors and (ii) the two-channel CNN model gives better predictions in the elliptical galaxies too. フィギュア。 10は、(i)予測された全銀河質量の半分以上が誤差の5%未満であり、(ii)2チャネルCNNモデルも楕円銀河のより良い予測を与えることを示している。 0.60
3.4 CNN prediction for combined data 3.4 CNNによる複合データ予測 0.76
(Disk+elliptical galaxies) (disk+楕円銀河) 0.68
We train our CNN using 160,000 of 200,000 images from GCSs in disk and elliptical galaxies (80% of data) and then test the CNN by the remaining 40,000 images (20%). 我々は、ディスク中のGCSと楕円銀河(データの80%)から12万枚の画像からCNNをトレーニングし、残りの4万枚の画像(20%)でCNNをテストする。 0.71
We do this test in order to confirm that our CNN can accurately predict the total masses of galaxies for different types of galaxies. 我々は、cnnが様々な種類の銀河の銀河の総質量を正確に予測できることを確認するために、このテストを行う。 0.74
Figs. 11 and 12 demonstrates that (i) the combination of images from two different types of galaxies do not influence the prediction accuracy in the CNN-based mass estimation, (ii) the prediction accuracy does not depend on the mass of galaxies (i.e., smaller dispersion in each mass bin), (iii) the CNN can predict the total mass of galaxies with less than 25% errors for most images, and (iv) two- フィギュア。 11および12は、(i)2つの異なる種類の銀河の画像の組み合わせがcnnに基づく質量推定の予測精度に影響を与えないこと、(ii)予測精度は銀河の質量(すなわち、各質量箱の分散が小さい)に依存しないこと、(iii)cnnは25%以下の銀河の総質量をほとんどの画像で予測できること、(iv)2- 0.60
Figure 6. Distribution of errors Ei in the mass estimation of dark matter halos within disk galaxies: one-channel (blue) and twochannel (orange). 図6。 誤りの分布 ディスク銀河内の暗黒物質ハロスの質量推定におけるi:1チャンネル(青)と2チャネル(オレンジ)。 0.75
The ways to derive Ei and N (Ei) are described in the main text. EiとN(Ei)を導出する方法は、本文で説明されています。 0.75
Figure 7. Cumulative error distribution graph for dark matter mass of disk galaxies in terms of physical units for one-channel (blue) and two-channel data (orange). 図7。 1チャンネル(青)と2チャンネルデータ(オレンジ)の物理単位の観点から、ディスク銀河の暗黒物質質量の累積誤差分布グラフ。 0.73
Here, |Ei| on the x-axis represents the absolute value of errors. ここで、x軸上の |Ei| はエラーの絶対値を表す。 0.75
The y-axis represents the normalized number of images per each |Ei| bin. y軸は |ei|bin ごとに正規化された画像数を表す。 0.65
Hence, it is clear that our CNN model gives better predictions, if the CNN is trained using two-channel data rather than one-channel data for disk galaxies. したがって、CNNがディスク銀河の1チャンネルデータではなく2チャンネルデータを使用して訓練されている場合、CNNモデルがより良い予測を与えることは明らかです。 0.66
3.3 CNN prediction for elliptical galaxies 3.3 楕円銀河のcnn予測 0.69
Our CNN is also trained by using 64,000 images from elliptical galaxies formed from major merging with different orbital parameters and disk inclination angles with respect to their orbital planes. 我々のcnnは、異なる軌道パラメータと円盤傾斜角が交互に融合して形成された楕円銀河の64,000枚の画像を用いても訓練されている。 0.71
The predictions from our CNN for the 16,000 (20% of data) testing images are analyzed and summarized in Figs. 16,000(データ20%)のテスト画像に対するcnnからの予測は、figで分析され、要約されます。 0.65
8 -12. Table 2 shows that the model accuracy for elliptical galaxies using one-channel and twochannel data are 0.972 and 0.980, respectively, which is much better than our results for disk galaxies. 8 -12. 表2は、1チャネルおよび2チャネルデータを用いた楕円銀河のモデル精度がそれぞれ0.972および0.980であることを示しています。 0.84
The reason for this is as follows. その理由は次のとおりである。 0.75
The GCSs in disk galaxies are rotating along the z-axis (i.e., the disk plans) so that global rotation can be properly captured by our CNN if the galaxies are viewed edge-on. 円盤銀河のgcsはz軸に沿って回転している(すなわち、円盤計画)ため、銀河がエッジオンに見える場合、大域的な回転はcnnによって適切に捉えられる。 0.71
Therefore, the two-channel predictions by our CNN work very well for such viewing angles. したがって、我々のCNNによる2チャンネル予測は、そのような視角に対して非常にうまく機能する。 0.57
However, if the galaxies are viewed from face-on, then the prediction accuracy becomes worse, because the rotation factor in the mass estimation cannot be properly considered by the CNN. しかし、もし銀河が対向から見ると、質量推定における回転係数がCNNによって適切に考慮できないため、予測精度は悪化する。
訳抜け防止モード: しかし、銀河が顔から見える場合 - オン、。 予測精度が悪くなるのです 質量推定における回転係数はCNNによって適切に考慮することはできません。
0.75
For the merger case, such viewing effects are less important so that the mass estimation by our CNN can be more accurate. 合併の場合、これらの観測効果はより重要ではなく、CNNによる質量推定がより正確になる。 0.68
英語(論文から抽出)日本語訳スコア
10 Rajvir Kaur, Kenji Bekki, Ghulam Mubashar Hassan and Amitava Datta 10 Rajvir Kaur、Kenji Bekki、Ghulam Mubashar Hassan、Amitava Datta。 0.84
Figure 9. Distribution of errors Ei in the mass estimation of dark matter halos within elliptical galaxies: one-channel (blue) and two-channel (orange). 図9。 楕円銀河内の暗黒物質ハローの質量推定における誤差eiの分布:1チャンネル(青)と2チャンネル(オレンジ)。 0.75
Figure 11. Predicted vs correct dark matter mass within disk and elliptical galaxies for one-channel (left) and two-channel data (right). 図11。 1チャンネル(左)と2チャンネル(右)のデータのためのディスクと楕円銀河内の正しい暗黒物質質量と予測される。 0.71
Figure 10. Cumulative error distribution graph for dark matter mass of elliptical galaxies in terms of physical units for onechannel(blue) and two-channel data (orange). 図10。 楕円銀河の暗黒物質質量の累積誤差分布グラフは、1チャンネル(青)と2チャンネルデータ(オレンジ)の物理単位の観点から表される。 0.76
channel CNN model can more accurately predict the total galaxy masses than one-channel CNN model. Channel CNNモデルは、1チャンネルCNNモデルよりも銀河全体の質量をより正確に予測できます。 0.74
Table 2 shows that the accuracies for one-channel and two-channel dataset for this combined model are 0.946 and 0.959 respectively. 表2は、この組み合わせモデルの1チャネルおよび2チャネルデータセットの精度がそれぞれ0.946および0.959であることを示しています。 0.64
These accuracies are higher than the accuracies from disk model but less than merger models. これらの精度は、ディスクモデルからの精度よりも高いが、合併モデルよりも低い。 0.69
Table 3 shows that RMSEs for one-channel and two-channel data are 0.733 and 0.595 respectively, and MAEs for one-channel and two-channel data are 0.501 and 0.367 respectively. 表3は、1チャネルおよび2チャネルデータのRMSEはそれぞれ0.733および0.595であり、1チャネルおよび2チャネルデータのMAEは0.501および0.367であることを示している。 0.63
This better performance can be clearly seen in Fig. このよりよい性能は図ではっきり見ることができます。 0.71
12 and in Fig. 13. 12と図で。 13. 0.78
In Fig. 13, our CNN model with two-channel data (orange curve) shows around 45% of the all images have less than 5% of errors. 図1。 13 我々の2チャンネルデータ(オレンジ曲線)を持つcnnモデルは、全画像の約45%がエラーの5%未満であることを示している。 0.70
On the other hand, the CNN model with one-channel data (blue curve) shows that about 30% of the images have less than 5% of errors: the better performance of the two-channel CNN is confirmed again. 一方、一チャネルデータ(青色曲線)を持つCNNモデルでは、画像の約30%が5%未満の誤差を持つことが示され、2チャネルCNNの性能が再び確認される。 0.71
3.5 CNN prediction for completely unknown data 3.5 CNNによる完全未知データの予測 0.74
Here we apply our CNN trained by the combined dataset (disk + elliptical galaxy models) to completely unknown dataset that is not used at all for training the CNN. ここでは、統合データセット(ディスク+楕円銀河モデル)でトレーニングされたCNNを、CNNのトレーニングに使用されていない全く未知のデータセットに適用する。 0.70
This means that the galaxy models are not used at all in the testing data sets. これは、銀河モデルがテストデータセットで全く使われていないことを意味する。 0.76
This is a more stringent test for our CNN, because these structures and kinematics of the simulated GCSs in the unknown dataset can be significantly different from those used for training the CNN. これは、未知のデータセットにおけるシミュレーションGCSの構造とキネマティクスが、CNNのトレーニングに使用されるものとは大きく異なるため、我々のCNNにとってより厳密なテストである。 0.68
The results for this are described in Figs, 14, 15 and 16. この結果はfigs, 14, 15, 16に記載されている。 0.76
Fig. 14 confirms that フィギュア。 14が確認しました 0.50
Figure 12. Distribution of errors Ei in the mass estimation of dark matter halos within disk and elliptical galaxies: one-channel (blue) and two-channel (orange). 図12。 円盤銀河と楕円銀河における暗黒物質ハローの質量推定における誤差eiの分布:1チャンネル(青)と2チャンネル(オレンジ)。 0.75
our CNN performs pretty well even if we apply the CNN to an entirely unknown dataset. 私たちのCNNは、完全に未知のデータセットにCNNを適用しても、かなりうまく機能します。
訳抜け防止モード: 私たちのCNNはうまく機能します。 CNNを全く知られていないデータセットに適用します。
0.67
This is a very promising result, which implies that our CNN will be able to be applied to real observational dataset that is not fully covered by the present simulations. これは非常に有望な結果であり、CNNが現在のシミュレーションで完全にカバーされていない実際の観測データセットに適用できることを示唆しています。 0.76
Better performance in the two-channel CNN prediction can be clearly seen in Fig. 2チャンネルCNN予測のより良いパフォーマンスは、図で明確に見ることができます。 0.66
15 and Fig. 16. 15および15。 16. 0.73
3.6 Predictions from a CNN with four 3.6 CNNの4つの予測 0.86
convolutional layers The results from our original CNN with only two convolutional layers are described in the preceding subsections. 畳み込み層 前節では,2つの畳み込み層のみを用いた元のCNNの結果について述べる。 0.63
Here Figure 13. Cumulative error distribution graph for dark matter mass of disk and elliptical galaxies in terms of physical units for one-channel(blue) and two-channel data (orange). ここ 図13。 1チャンネル(青)と2チャンネルデータ(オレンジ)の物理単位の観点から、ディスクと楕円銀河の暗黒物質質量の累積誤差分布グラフ。 0.72
英語(論文から抽出)日本語訳スコア
Dark matter masses in galaxies 銀河における暗黒物質質量 0.76
11 Figure 16. Cumulative error distribution graph for dark matter mass of completely unknown galaxies in terms of physical units for one-channel(blue) and two-channel data (orange). 11 図16。 1チャンネル(青)と2チャンネルデータ(オレンジ)の物理単位の観点から、完全に未知の銀河の暗黒物質質量の累積誤差分布グラフ。 0.79
that global rotation of GCSs needs to be incorporated into the mass estimation models for more accurate predictions of total masses in galaxies. GCSのグローバルな回転は、銀河内の全質量のより正確な予測のために質量推定モデルに組み込む必要がある。 0.85
This also implies that the total masses of galaxies with GCSs with higher amplitudes of global rotation, e.g., NGC 3115 Dolfi et al. これはまた、NGC 3115 Dolfi et alのような大域回転の振幅の高いGCSを持つ銀河の総質量を示唆している。 0.81
(2020) can be better estimated by the present new method than others that only consider the radial profiles of σ for GCSs. (2020) は、GCS の σ の半径プロファイルのみを考える他の方法よりも、現在の新しい手法によりよりよく推定できる。 0.84
We suggest that if the 2D kinematics of GCSs predicted from cosmological simulations of GC formation, e.g., Pfeffer et al. GCSの2次元キネマティクスがGC形成の宇宙シミュレーションから予測された場合、例えば、Pfeffer等が提案される。 0.74
(2017) can be used to generate the synthesized 2D maps of GCS kinematics that can be input to CNNs, an even better mass estimator based on deep learning can be developed, because the predicted kinematics can be more diverse and more realistic than the synthesized images adopted in the present study. (2017) はcnnに入力可能なgcsキネマティクスの合成2次元マップを生成するのに利用可能であり, 予測キネマティクスは, 本研究で採用されている合成画像よりも多様で現実的なものとなるため, ディープラーニングに基づくより優れた質量推定器の開発が可能である。 0.72
The new method, however, has the following possible problems, which need to be solved in our future studies. 新しい方法は、しかし、私たちの将来の研究で解決する必要がある次の可能な問題を持っています。 0.72
First, the total number of GCs in a galaxy should be at least several tens to ∼ 100 so that the 2D maps of V and σ with enough spatial resolutions (e.g., 10 × 10 pixels) can be constructed. まず、銀河内のgcの総数は、十分な空間分解能を持つvとσの2dマップ(例えば、10×10ピクセル)を構築することができるように、少なくとも10から100であるべきである。 0.76
This means that the new method cannot be properly applied to GCSs of less luminous galaxies like NGC 4564 with Ngc = 27 Alabi et al. これは、新しい手法が、NGC 4564や Ngc = 27 Alabi et al のようなより明るい銀河の GCS に適切に適用できないことを意味する。 0.81
(2016). If there is no GC in a significant number of pixels for less luminous galaxies, a large smoothing length need to be applied to the 2D maps so that smooth V and σ fields can be derived. (2016). 少ない光度銀河のかなりの数のピクセルにGCが存在しない場合、滑らかな V と σ 場が導出できるように、大きな滑らかな長さを2Dマップに適用する必要がある。 0.80
However, such a large smoothing length would cause a significant reduction of the prediction accuracy in the mass estimation. しかし、このような大きな平滑化長は、質量推定における予測精度を大幅に低下させる。 0.76
Second, it it not so clear how sensitive the new mass estimation method is to the presence of substructures in GCSs. 第二に、新しい質量推定法がGCSのサブ構造の存在にどれほど敏感であるかは明らかではない。 0.73
In the present disk and elliptical galaxy models with GCSs, the synthesized images do not show substructures clearly whereas some of the observed GCSs show substructures Alabi et al. GCSを用いた現在の円盤および楕円銀河モデルでは、合成された画像はサブ構造をはっきりと示さないが、観察されたGCSの一部はAlabiらのサブ構造を示す。 0.66
(2016). This means that the training dataset should contain GCSs with substructures for more accurate predictions of total galactic masses in our future study. (2016). これは、トレーニングデータセットが、将来の研究で全銀河質量のより正確な予測のために、サブ構造を持つGCSを含むべきであることを意味する。 0.69
Third, observational errors in the spectroscopic estimation of line-of-sight-veloci ties (V ) for individual GCs can possibly introduce noise in the 2D maps of GCSs. 第三に、個々のGCに対する視線速度(V)の分光的推定における観測誤差は、GCSの2次元マップにノイズをもたらす可能性がある。 0.69
If CNNs are trained by 2D images with such noise, then the prediction accuracy will be reduced significantly too. もしCNNがそのようなノイズで2D画像によって訓練された場合、予測精度も大幅に低下する。 0.73
In order to investigate this issue more quantitatively, we add Gaussian noise manually to the image data and thereby investigate the performance of our CNNs. この問題をより定量的に検討するため,画像データにガウス雑音を手作業で付加し,cnnの性能について検討する。 0.71
We add noise with mean zero and standard deviation of 0.04 to each pixel in this investigation. 本研究では,各画素に平均0,標準偏差0.04のノイズを付加する。 0.80
Figure 14. Predicted vs correct dark matter mass within completely unknown galaxies for one-channel (left) and two-channel data (right). 図14。 1チャンネル(左)と2チャンネル(右)のデータに対して、完全に未知の銀河内での予測と正しいダークマター質量。 0.67
Figure 15. Distribution of errors Ei in the mass estimation of dark matter halos within completely unknown galaxies: onechannel (blue) and two-channel (orange). 図15。 完全に未知の銀河:1チャンネル(青)と2チャンネル(オレンジ)における暗黒物質ハローの質量推定における誤差eiの分布。 0.76
we describe the results from our other CNN with two additional convolutional layers that are designed to improve the prediction accuracy in the mass estimation of galaxies from GCS kinematic (see the CNN architecture in Fig. 我々は、GCSキネマティックから銀河の質量推定における予測精度を向上させるために、2つの新たな畳み込み層を持つ他のCNNの結果について述べる(図のCNNアーキテクチャを参照)。 0.72
1). Table 2 describes that the prediction accuracies for this CNN are 0.976 and 0.978 for one-channel and two-channel data respectively. 1). 表2では、このCNNの予測精度は、それぞれ1チャンネルと2チャンネルのデータに対して0.976と0.978である。 0.71
Table 3 shows that MAEs for one-channel and two-channel data are 0.288 and 0.275, and RMSEs are 0.539 and 0.51 for one-channel and two-channel data respectively. 表3は、一チャンネルデータと二チャンネルデータのMAEが0.288と0.275であり、RMSEはそれぞれ0.539と0.51であることを示している。 0.62
It is clear that adding two layers in our CNN architecture results in an improvement of accuracy both for one-channel and two-channel dataset. CNNアーキテクチャに2つのレイヤを追加することで、1チャンネルと2チャンネルのデータセットの精度が向上することが明らかです。 0.68
However, we confirm that CNNs with more convolutional layers (e.g., 6 of them) cannot further improve the accuracy of prediction. しかし、より畳み込み層(例えば6つ)を持つCNNは、予測の精度をさらに向上させることができないことを確認した。 0.68
4 DISCUSSION 4.1 Advantages and disadvantages of the new 4 討論 4.1 新しい利点とデメリット 0.70
method We have demonstrated that the new method based on deep learning can predict the total masses of galaxies pretty well, though the number of images used for training CNNs is not huge (“like” be “in order of 106 samples”). 方法 私たちは、深層学習に基づく新しい方法が銀河の総質量をかなりよく予測できることを実証しましたが、CNNのトレーニングに使用される画像の数は巨大ではありません(「106サンプルの順序で」のように)。 0.77
The mean accuracy of the prediction can reach 98% (i.e., the predicted masses deviate from the true values by only 2%), which implies that the new method will be able to be applied to the kinematics of the observed GCSs. 予測の平均精度は98%(つまり予測された質量は真の値からわずか2%ずれる)に達し、新しい手法が観測されたgcsの運動学に応用できることを示唆している。 0.72
Furthermore, the better prediction accuracy for two-channel data (V and σ) implies さらに、2チャンネルデータ(Vとσ)の予測精度が向上します。 0.79
英語(論文から抽出)日本語訳スコア
12 This error correspond to spectroscopic errors of ∼ 5 km s−1 for V and σ. 12 この誤差は v と σ に対する 5 km s−1 の分光誤差に対応する。 0.82
The ∼ 5 km s−1 error in each mesh corresponds to the observationally possible errors for radial velocities of GCs Dolfi et al. それぞれのメッシュにおける 5 km s−1 の誤差は、GCs Dolfi et al の半径速度の観測可能な誤差に対応する。 0.76
(2020). Therefore our adoption of this value is consistent with observations of GCSs. (2020). したがって、この値の採用はGCSの観測と一致しています。 0.73
Since there can be a number of GCs in one pixel, it is not straightforward to convert observational errors for one GC into noise (errors) for the estimated V and σ for one pixel, this introduction of noise enables us to discuss this important issues in a quantitative manner. 1ピクセルに多数のGCが存在するため、1つのGCの観測誤差を1ピクセルのVとσのノイズ(エラー)に変換することは容易ではないので、このノイズの導入により、この重要な問題を定量的に議論することができる。 0.78
Fig. 17 represents the 2D map of the image without noise, with noise, and noise only. フィギュア。 17はノイズなし、ノイズなし、ノイズのみを含む画像の2Dマップを表す。 0.60
It is found that after adding noise to images, our model accuracy significantly drops from 0.976 to 0.809 for two-channel combined data from disk and elliptical galaxies (disk+merger). 画像にノイズを加えると、ディスクと楕円銀河(disk+merger)の2チャンネル結合データに対して、モデル精度が0.976から0.809に大幅に低下することがわかった。 0.67
Moreover, RMSEs for one-channel and two-channel data for images with noise are 3.234 and 3.408, respectively, and MAEs for one-channel and two-channel data are 2.722 and 2.835, respectively. また、ノイズのある画像の1チャンネルデータと2チャンネルデータのrmsesはそれぞれ3.234と3.408であり、1チャンネルデータと2チャンネルデータのmaesはそれぞれ2.722と2.835である。 0.64
This means that our model still performs well on the dataset containing noise, though the prediction accuracy would become worse for noise of more than 10 km s−1. これは、モデルがノイズを含むデータセットでうまく機能することを意味するが、予測精度は10km s−1以上のノイズでは悪化する。 0.75
4.2 Toward the application of the new method to 4.2 新しい方法の適用に向けて 0.90
observations Although we have developed the new mass estimation method based on deep learning, this work can be regarded as a proof-of-concept. 観察 深層学習に基づく新しい質量推定法を開発したが,本研究は概念実証と見なすことができる。 0.73
In order to apply the new method to real observations, we need to (i) solve the above-mentioned three possible problems related to the implementation of the new method and (ii) significantly increase the number of synthesized images of GCSs not only from constrained simulations (like the present study) but also from cosmological ones. この新しい手法を実測に応用するには、(i)上記の3つの新しい手法の実装に関する問題を解決し、(ii)制約シミュレーション(例えば、本研究)からだけでなく、宇宙論的なものからもGCSの合成画像の数が大幅に増加する必要があります。 0.78
The above second point is crucial for our future work, because the simulated kinematics of GCSs from isolated disk galaxies and major mergers is quite limited and possibly could not represent a full range of the observed kinematics of GCSs with diverse rotation amplitudes and anisotropy parameters (i.e., tangentially or radially anisotropic). この2つ目の点は、孤立した円盤銀河からのGCSのシミュレートされたキネマティクスと大きな融合が極めて限定されており、様々な回転振幅と異方性パラメータを持つGCSの観測されたキネマティクスの完全な範囲を表現できないため、我々の将来の研究にとって重要である。 0.73
The formation and evolution of GCSs in galaxies with different masses and types can involve various physical processes of galaxy formation (not just major merging and secular disk evolution modeled in this study). 異なる質量と種類を持つ銀河におけるGCSの形成と進化は、銀河形成のさまざまな物理的過程を含むことができる(この研究でモデル化された主要なマージおよび世俗円盤進化だけでなく)。 0.68
Therefore, it is ideal for our future study to generate the synthesized 2D kinematics of GCSs in galaxies from cosmological simulations that can model various physical processes of galaxy formation from the early universe. したがって、私たちの将来の研究では、初期の宇宙からの銀河形成のさまざまな物理的過程をモデル化することができる宇宙シミュレーションから銀河中のGCSの合成2次元キネマティクスを生成することが理想的です。 0.70
Since previous and recent cosmological simulations of GCS formation in galaxies have already predicted the kinematics of GCSs, e.g.,Bekki et al. 銀河におけるGCS形成の過去および最近の宇宙シミュレーション以来、すでにGCSのキネマティクス、例えば、Bekkiらを予測している。 0.73
(2008) Pfeffer et al. 2008年) Pfeffer et al。 0.67
(2017), it will be feasible for our future study to generate a large number of 2D kinematics maps of GCSs from these simulations, which will be input to CNNs for better prediction accuracies. (2017)、これらのシミュレーションからGCSの2Dキネマティクスマップを多数生成し、CNNに入力して予測精度を向上させることが今後の研究で実現可能である。 0.75
5 CONCLUSIONS We have developed a new method by which we can estimate the total masses of galaxies including their dark matter halos from the kinematics of their GCSs. 5つの結論 我々は、銀河団の運動量から、その暗黒物質ハロゲンを含む銀河の総質量を推定する新しい方法を開発した。 0.59
This new method is based on deep learning in which a large number of synthesized 2D maps of kinematics of GCSs from numerical simulations of galaxies with known total masses are used この新しい方法は、既知の総質量を持つ銀河の数値シミュレーションからGCSのキネマティクスの合成2次元マップを多数使用する深層学習に基づいています。 0.79
Rajvir Kaur, Kenji Bekki, Ghulam Mubashar Hassan and Amitava Datta Rajvir Kaur、Kenji Bekki、Ghulam Mubashar Hassan、Amitava Datta。 0.83
to predict the total masses of galaxies. 銀河の総質量を予測するためです 0.74
The new mass estimation method has involved the following two steps. 新しい質量推定法は以下の2つのステップを含む。 0.79
In the first step of the method, we have trained a convolutional neutral network (CNN) using a large number (more than 100,000) of synthesized 2D kinematics maps (“images”) of GCSs from simulated disk and elliptical galaxies with known total masses. この方法の最初のステップでは、シミュレーションされた円盤と既知の総質量を持つ楕円銀河からのGCSの合成2Dキネマティクスマップ(「画像」)の多数(100,000以上)を使用して畳み込みニュートラルネットワーク(CNN)を訓練しました。 0.82
Accordingly, the input data to a CNN is the large number pairs of (i) 2D kinematics maps of GCS and (ii) true (known) total masses of galaxies including dark matter. したがって、CNNへの入力データは、(i)GCSの2Dキネマティクスマップと(ii)ダークマターを含む銀河の真の(既知の)総質量の多数対である。 0.78
In this supervised learning phase, either only 2D maps of velocity dispersions (σ) of GCSs (“one-channel”) or 2D maps of both σ and V (line-of-sight-veloc ities) of GCSs (“two-channel”) are used so that we can determine whether one-channel or two-channel prediction can be more accurate. この教師付き学習フェーズでは、GCSの速度分散(σ)の2次元マップ(「1チャンネル」)とGCSのσとVの2次元マップ(「2チャンネル」)のどちらかを用いて、1チャンネルまたは2チャンネルの予測がより正確かどうかを判断する。 0.76
This large number of images can cover a wide range of GCS kinematics with various degrees of global rotation and anisotropy parameters, though the present study possibly would not cover a full range of the observed GCS kinematics. この大量の画像は、大域回転と異方性パラメータの異なる幅広いGCSキネマティクスをカバーできるが、本研究では観測されたGCSキネマティクスの全範囲をカバーしていない可能性がある。 0.80
In the second step of the method, we have applied the CNN to a completely unknown dataset to investigate whether or not the CNN can accurately predict the true masses of galaxies. 提案手法の2番目のステップでは、CNNが銀河の真の質量を正確に予測できるかどうかを調べるために、完全に未知のデータセットにCNNを適用した。
訳抜け防止モード: 提案手法の第2ステップでは,完全に未知のデータセットにCNNを適用した。 CNNが銀河の真の質量を正確に予測できるかどうかを調べる。
0.82
For disk galaxies, we have used 100,000 images of GCSs kinematics from different disk galaxies with different degrees of rotational kinematics in GCSs. ディスク銀河では、GCSの回転運動量の異なる異なる異なる異なるディスク銀河から、GCSsキネマティクスの画像10万枚を用いている。 0.73
We have used 80,000 images of GCSs kinematics for elliptical galaxies, and also combined these images from the two types of galaxies. 我々は、楕円銀河に8万枚のGCSのキネマティクス画像を使用し、これらを2種類の銀河から組み合わせた。 0.70
In order to investigate how observational errors (represented as noise in pixels) can influence the prediction accuracy of the new mass estimation method, we have added Gaussian noise to the images from the combined dataset (disk+merger) with mean 0 and standard deviation of 5 km s−1. 観測誤差(画素のノイズとして表される)が新しい質量推定法の予測精度にどのように影響するかを調べるために,平均0と標準偏差5km s−1で合成したデータセット(disk+merger)の画像にガウスノイズを加えた。 0.88
Furthermore we have verified the prediction accuracy of our CNN using RMSEs and MAEs for each model. さらに,各モデルについてRMSEとMAEを用いてCNNの予測精度を検証した。 0.79
We have compared between different architectures of CNNs in terms of prediction accuracies and shown the results from the best CNN architecture in the present study. 我々は,予測精度の観点からCNNの異なるアーキテクチャを比較し,本研究で最高のCNNアーキテクチャの結果を示した。 0.67
The principal results are as follows: 主な結果は以下の通りである。 0.82
(1) Our new model based on our original CNN can predict the total masses of disk galaxies dominated by dark matter pretty accurately. 1)我々のcnnに基づく新しいモデルは、暗黒物質が支配する円盤銀河の総質量をかなり正確に予測することができる。 0.80
The overall accuracy of the model trained by only 2D maps of σ of GCSs (one-channel data) is 93.7%. GCS(1チャンネルデータ)のσの2Dマップで訓練されたモデルの全体的な精度は93.7%である。 0.78
However, the accuracy of the model trained by 2D maps of V and σ (two-channel data) is improved by about 3%. しかし, v および σ (2チャネルデータ) の2次元写像で学習したモデルの精度が約3%向上した。 0.79
We have observed MAE of one-channel data is 0.571 and for two-channel data, it is 0.404, which clearly demonstrate a very high prediction accuracy. 1チャンネルデータのMAEは0.571であり、2チャンネルのデータでは0.404であり、非常に高い予測精度を示している。 0.74
Moreover, RMSEs for one-channel and two-channel data are 0.833 and 0.707, respectively. また、1チャンネルデータと2チャンネルデータのrmsはそれぞれ0.833および0.707である。 0.67
This implies that the model with two-channel data works better than one-channel data, as two-channel data has a smaller MAE. これは、2つのチャネルデータを持つモデルは、1つのチャネルデータよりもうまく機能することを意味する。 0.70
This is mainly because the rotation energy of GCSs can be properly considered in the mass estimation of galaxies including dark matter: this contribution from global rotation should be considered in the mass estimation. これは主に、暗黒物質を含む銀河の質量推定においてGCSの回転エネルギーを適切に考慮することができるためである。
訳抜け防止モード: これは主に gcsの回転エネルギーは暗黒物質を含む銀河の質量推定において適切に考慮できる :大域回転からの貢献は質量推定において考慮すべきである。
0.81
(2) Our model can also accurately predict the total masses of elliptical galaxies including their dark matter. 2) このモデルでは, 暗黒物質を含む楕円銀河全体の質量を正確に予測することができる。 0.79
The observed accuracies for the model trained by one-channel and two-channel data are 97.2% and 98%, respectively. 1チャンネルデータと2チャンネルデータで訓練されたモデルの観測精度は、それぞれ97.2%と98%である。 0.73
These accuracies are slightly better than our results for disk galaxies. これらの精度は、ディスク銀河の結果よりもわずかに優れています。 0.59
The outcomes for RMSEs for elliptical galaxies 楕円銀河におけるRMSEの結果 0.72
英語(論文から抽出)日本語訳スコア
Dark matter masses in galaxies 銀河における暗黒物質質量 0.76
13 Figure 17. 2D map of V without (left) and with noise (middle) for the GCS of a isolated disk galaxy. 13 図17。 2d map of v without (left) and with noise ( middle) for the gcs of a isolated disk galaxy。 0.79
Noise with the mean of 0 and the standard deviation of 0.04 (in simulation units, corresponding to 5 km/s) is given to each mesh point in the middle panel. 中間パネルの各メッシュ点には、平均0と標準偏差0.04(シミュレーション単位では、5km/sに相当する)のノイズが与えられる。 0.79
The right panel shows noise map. 右パネルにはノイズマップが表示されます。 0.59
with one-channel and two-channel data are 0.357 and 0.239, respectively. 1チャンネルと2チャンネルのデータはそれぞれ0.357と0.239である。 0.62
Similarly, the value of MAEs for the model with one-channel and two-channel data are 0.265 and 0.188, respectively. 同様に、1チャネルデータと2チャネルデータを持つモデルに対するMAEの値はそれぞれ0.265および0.188である。 0.74
In this case, it is again observed that two-channel data outperforms one-channel data as it has higher accuracy and lower RMSE and MAE values. この場合、精度が高く、rmse値とmae値が低いため、2チャンネルデータが1チャンネルデータを上回ることが再び観測される。 0.77
(3) We have combined the data from both disk and elliptical galaxies and thereby trained CNN with a large number of images (200,000). (3)我々は、ディスク銀河と楕円銀河の両方からのデータを組み合わせて、それによって多くの画像(200,000)でCNNを訓練しました。 0.66
The overall accuracies for the combined dataset for one-channel and two-channel data are 94.6% and 95.9% respectively. 1チャンネルと2チャンネルのデータの組み合わせデータセットの全体的な精度は、それぞれ94.6%と95.9%である。 0.66
Moreover, results for RMSEs for one-channel and two-channel data are 0.733 and 0.595, respectively. さらに、1チャネルおよび2チャネルのデータに対するRMSEの結果はそれぞれ0.733および0.595である。 0.67
It is also observed that MAEs for combined dataset (disk+elliptical) for model with one-channel and two-channel data are 0.501 and 0.367, respectively. また,1チャネルデータと2チャネルデータとを組み合わせたモデル(disk+elliptical)のmaesはそれぞれ0.501と0.367である。 0.77
This shows that two-channel data again outperforms one-channel data for this. これは、2チャンネルのデータが再び1チャンネルのデータを上回ることを示している。 0.54
These results imply that the new method can be applied to different types of galaxies with GCSs. これらの結果は、新しい方法がGCSで異なる種類の銀河に適用できることを示唆している。 0.69
(4) We have also used a CNN with two more convolutional layers in order to improve accuracy. (4) 精度を向上させるために,さらに2つの畳み込み層を持つCNNも使用した。 0.76
We have found that our accuracy for the model with combined data (disk+ elliptical galaxies) is increased by 3% for one-channel (97.6%) and 2% for two-channel (97.8%). 複合データ(disk+楕円銀河)を用いたモデルの精度は1チャンネル(97.6%)で3%,2チャンネル(97.8%)で2%向上した。 0.77
The RMSEs for the new architecture are 0.539 and 0.51 for one-channel and two-channel, respectively. 新しいアーキテクチャのRMSEは、それぞれ1チャネルと2チャネルの0.539と0.51である。 0.69
Moreover, MAEs for the model with one-channel and two-channel data are 0.288 and 0.275, respectively. さらに, 1チャネルと2チャネルのデータを持つモデルのMAEは0.288と0.275である。 0.72
Hence, it is observed that the accuracies of the model (one-channel and two-channel) are significantly improved with the addition of two more convolutional layers in the existing architecture. したがって,既存アーキテクチャにさらに2つの畳み込み層を追加することにより,モデル(1チャネルと2チャネル)の精度が大幅に向上することが観察された。 0.79
(5) In the above tests, we have used 80% of the original data for training CNNs and used the 20% for testing. (5) 上記のテストでは、元のデータの80%をCNNのトレーニングに使用し、20%をテストに使用しました。 0.75
This means that the testing dataset can be similar to the training data to some extent, because the two dataset generated from GCSs in the same simulated galaxies. これは、同じ模擬銀河のGCSから生成された2つのデータセットのために、テストデータセットがある程度トレーニングデータに似ていることを意味する。 0.69
In order to do a more stringent test for the new CNNs, we have applied our CNN to completely unknown data that is not at all even for training. 新しいCNNのためにより厳しいテストを行うために、私たちはトレーニングのためにもまったく知られていない完全に未知のデータにCNNを適用しました。 0.70
We have confirmed that our CNN can accurately predict the galaxy masses for this completely unknown data. 我々は、我々のCNNが完全に未知のデータに対して正確な銀河質量を予測できることを確認した。
訳抜け防止モード: 確認しました われわれのcnnは、この全く未知のデータの銀河質量を正確に予測できる。
0.71
(6) We have found that CNN trained by 200,000 images containing Gaussian noise predicts the total masses of with the accuracy of 80.9%, which implies that the prediction accuracy is still good, though it needs to be improved through the revision of the CNN architecture in our future studies. (6)ガウスノイズを含む200,000枚の画像で訓練されたCNNが、80.9%の精度で総質量を予測していることが判明しました。
訳抜け防止モード: (6)それを発見した。 ガウス雑音を含む20万枚の画像によるCNNの訓練 80.9%の精度で 総質量を予測する 予測精度は まだ良いのですが 今後の研究において、CNNアーキテクチャの改訂によって改善する必要がある。
0.75
(7) Although we have successfully demonstrated that the new method can accurately predict the total masses of galaxies, the simulated GCS kinematics can be very limited (not so diverse as real observations). (7) 新手法が銀河全体の質量を正確に予測できることを示すことに成功したが、シミュレーションGCSキネマティクスは非常に限定的である(実際の観測ほど多様ではない)。 0.84
Therefore, in order to apply the method to real observations, we need to dramatically increase the number of 2D kinematics maps of GCSs that cover a large range of the possible GCS kinematics in real galaxies. したがって、実際の観測にこの手法を適用するためには、実際の銀河におけるGCSキネマティクスの幅広い範囲をカバーするGCSの2次元キネマティクスマップの数を劇的に増やす必要がある。 0.79
Thus we will use the predictions from cosmological simulations of galaxy formation with GCS models in order to train our CNNs in our future studies. したがって、今後の研究でCNNを訓練するために、GCSモデルを用いた銀河形成の宇宙論的シミュレーションから予測する。 0.78
6 ACKNOWLEDGMENT We are grateful to the referee for constructive and useful comments that improved this paper. 6 承認 この論文を改善した建設的かつ有用なコメントをレフェリーに感謝します。 0.57
英語(論文から抽出)日本語訳スコア
14 Rajvir Kaur, Kenji Bekki, Ghulam Mubashar Hassan and Amitava Datta 14 Rajvir Kaur、Kenji Bekki、Ghulam Mubashar Hassan、Amitava Datta。 0.84
7 DATA AVAILABILITY Neto A. F., et al., 2007, Monthly Notices of the Royal As- 7 データ可用性 Neto A. F., et al., 2007, Monthly Notices of the Royal As- 0.85
The data underlying this article will be shared on a justified request to the corresponding author. この記事の基礎となるデータは、対応する著者への正当な要求で共有されます。 0.62
REFERENCES Alabi A. B., et al., 2016, Monthly Notices of the Royal 参考 アラビA。 B., et al., 2016 Monthly Notices of the Royal 0.60
Astronomical Society, 460, 3838 天文学会 460, 3838 0.63
Alabi A. B., et al., 2017, Monthly Notices of the Royal アラビA。 B., et al., 2017 Monthly Notices of the Royal 0.67
Astronomical Society, 468, 3949 天文学会,468,3949 0.72
Bahcall J. N., Tremaine S., 1981, The Astrophysical Jour- Bahcall J. N., Tremaine S., 1981, The Astrophysical Jour- 0.98
nal, 244, 805 nal,244,805 0.77
tronomical Society, 381, 1450 トロノミカル・ソサエティ 381, 1450 0.44
Peng E. W., Ford H. C., Freeman K. C., 2004, The Astro- Peng E. W., Ford H. C., Freeman K. C., 2004, The Astro- 0.95
physical Journal, 602, 705 物理誌 602, 705 0.62
Pfeffer J., Kruijssen J. M. D., Crain R. A., Bastian N., 2017, Monthly Notices of the Royal Astronomical Society, 475, 4309 Pfeffer J., Kruijssen J. M. D., Crain R. A., Bastian N., 2017, Monthly Notices of the Royal Astronomical Society, 475, 4309 0.94
Prole D. J., et al., 2019, Monthly Notices of the Royal As- Prole D. J., et al., 2019, Monthly Notices of the Royal As- 0.96
tronomical Society, 484, 4865 トロノミカル協会 484, 4865 0.56
Romanowsky A. J., Douglas N. G., Arnaboldi M., Kuijken K., Merrifield M. R., Napolitano N. R., Capaccioli M., Freeman K. C., 2003, Science, 301, 1696 Romanowsky A. J., Douglas N. G., Arnaboldi M., Kuijken K., Merrifield M. R., Napolitano N. R., Capaccioli M., Freeman K. C., 2003, Science, 301, 1696 0.96
Santos M. G., Cooray A., Haiman Z., Knox L., Ma C.-P., Santos M.G., Cooray A., Haiman Z., Knox L., Ma C.-P., 1.00
Bekki K., 2013, Monthly Notices of the Royal Astronomical Bekki K., 2013, Monthly Notices of the Royal Astronomical 0.85
2003, The Astrophysical Journal 2003年 天体物理学ジャーナル 0.78
Simonyan K., Zisserman A., 2014, arXiv e-prints, p. Simonyan K., Zisserman A., 2014 arXiv e-prints, p。 0.86
arXiv:1409.1556 arXiv:1409.1556 0.39
Spitler L. R., Romanowsky A. J., Diemand J., Strader J., Forbes D. A., Moore B., Brodie J. P., 2012, Monthly Notices of the Royal Astronomical Society, 423, 2177 Spitler L.R., Romanowsky A.J., Diemand J., Strader J., Forbes D.A., Moore B., Brodie J.P., 2012, Monthly Notifications of the Royal Astronomical Society, 423, 2177 0.92
Su Y., Gu L., III R. E. W., Irwin J., 2014, The Astrophys- Su Y., Gu L., III R. E. W., Irwin J., 2014 The Astrophys- 0.91
ical Journal, 786, 152 ical Journal, 786, 152 0.85
Watkins L. L., Evans N. W., An J. H., 2010, Monthly No- Watkins L. L., Evans N. W., An J. H., 2010, Monthly No- 0.95
tices of the Royal Astronomical Society, 406, 264 the Royal Astronomical Society, 406, 264 0.66
Society, 432, 2298–2323 社会 432, 2298–2323 0.90
Bekki K., Couch W. J., Forbes D. A., Beasley M. A., 2005, Bekki K., Couch W. J., Forbes D. A., Beasley M. A., 2005 0.94
Highlights of Astronomy, 13, 191 天文学のハイライト, 13, 191 0.88
Bekki K., Yahagi H., Nagashima M., Forbes D. A., 2008, Monthly Notices of the Royal Astronomical Society, 387, 1131 K. Bekki K., Yahagi H., Nagashima M., Forbes D. A., 2008 Monthly Notices of the Royal Astronomical Society, 387, 1131 0.90
Bekki K., Diaz J., Stanley N., 2019, Astronomy and Com- Bekki K., Diaz J., Stanley N., 2019, Astronomy and Com- 0.91
puting, 28, 100286 訳語 28,100286 0.48
Boylan-Kolchin M., 2018, Monthly Notices of the Royal boylan-kolchin m., 2018, month notices of the royal 0.85
Astronomical Society, 479, 332 天文学会 479, 332 0.60
Brodie J. P., Strader J., 2006, Annual Review of Astronomy Brodie J.P., Strader J., 2006, Annual Review of Astronomy (英語) 0.85
and Astrophysics, 44, 193 天体物理学 44, 193は 0.72
Brodie J. P., et al., 2014, The Astrophysical Journal, 796, Brodie J.P., et al., 2014 The Astrophysical Journal, 796, 0.79
52 Cavanagh M., Bekki K., 2020, arXiv e-prints, p. 52 Cavanagh M., Bekki K., 2020, arXiv e-prints, p。 0.90
arXiv:2006.14847 arXiv:2006.14847 0.39
Diaz J. D., Bekki K., Forbes D. A., Couch W. J., Drinkwater M. J., Deeley S., 2019, Monthly Notices of the Royal Astronomical Society, 486, 4845 Diaz J. D., Bekki K., Forbes D. A., Couch W. J., Drinkwater M. J., Deeley S., 2019, Monthly Notices of the Royal Astronomical Society, 486, 4845 0.94
Dieleman S., Willett K. W., Dambre J., 2015, Monthly No- Dieleman S., Willett K.W., Dambre J., 2015 月次No。 0.80
tices of the Royal Astronomical Society, 450, 1441 the Royal Astronomical Society, 450, 1441 0.67
Dolfi A., et al., 2020, Monthly Notices of the Royal Astro- Dolfi A., et al., 2020, Monthly Notices of the Royal Astro- 0.91
nomical Society, 495, 1321 能楽会,495,1321 0.56
Forbes D. A., Read J. I., Gieles M., Collins M. L. M., 2018, Monthly Notices of the Royal Astronomical Society, 481, 5592 Forbes D. A., Read J. I., Gieles M., Collins M. L. M., 2018, Monthly Notices of the Royal Astronomical Society, 481, 5592 0.96
G´eron A., 2017, Hands-on machine learning with ScikitLearn and TensorFlow : concepts, tools, and techniques to build intelligent systems. G ́eron A., 2017 ScikitLearnとTensorFlowを使ったハンズオン機械学習 : インテリジェントなシステムを構築するための概念、ツール、テクニック。 0.81
O’Reilly Media, Sebastopol, CA O’Reilly Media, Sebastopol, CA 0.85
Griffen B. F., Drinkwater M. J., Iliev I. T., Thomas P. A., Mellema G., 2013, Monthly Notices of the Royal Astronomical Society, 431, 3087 Griffen B. F., Drinkwater M. J., Iliev I. T., Thomas P. A., Mellema G., 2013, Monthly Notices of the Royal Astronomical Society, 431, 3087 0.95
Hariharan B., Arbel´aez P., Girshick R., Malik J., 2017, IEEE Transactions on Pattern Analysis and Machine Intelligence, 39, 627 Hariharan B., Arbel ́aez P., Girshick R., Malik J., 2017 IEEE Transactions on Pattern Analysis and Machine Intelligence, 39, 627 0.88
Hinton G. E., Srivastava N., Krizhevsky A., Sutskever I., Salakhutdinov R. R., 2012, arXiv e-prints, p. arXiv:1207.0580 Hinton G. E., Srivastava N., Krizhevsky A., Sutskever I., Salakhutdinov R. R., 2012 arXiv e-prints, p. arXiv:1207.0580 0.89
Krizhevsky A., Sutskever I., Hinton G. E., 2012, Commu- Krizhevsky A., Sutskever I., Hinton G. E., 2012 Commu- 0.89
nications of the ACM, 60, 84 ACM, 60, 84のニクテーション 0.64
Krizhevsky A., Sutskever I., Hinton G. E., 2017, Commu- Krizhevsky A., Sutskever I., Hinton G. E., 2017 Commu- 0.90
nications of the ACM, 60, 84–90 acm, 60, 84-90のnication 0.71
Morganti L., Gerhard O., Coccato L., Martinez-Valpuesta I., Arnaboldi M., 2013, Monthly Notices of the Royal Astronomical Society, 431, 3570 Morganti L., Gerhard O., Coccato L., Martinez-Valpuesta I., Arnaboldi M., 2013, Monthly Notices of the Royal Astronomical Society, 431, 3570 0.91
Navarro J. F., Frenk C. S., White S. D. M., 1996, The Navarro J. F., Frenk C. S., White S. D. M., 1996 0.94
Astrophysical Journal, 462, 563 Astrophysical Journal, 462, 563 0.85
                             ページの最初に戻る

翻訳にはFugu-Machine Translatorを利用しています。