論文の概要: Learning neutrino effects in Cosmology with Convolutional Neural
Networks
- arxiv url: http://arxiv.org/abs/1910.04255v2
- Date: Thu, 21 Sep 2023 19:10:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-25 19:54:32.592473
- Title: Learning neutrino effects in Cosmology with Convolutional Neural
Networks
- Title（参考訳）: 畳み込みニューラルネットワークを用いた宇宙論におけるニュートリノ効果の学習
- Authors: Elena Giusarma, Mauricio Reyes Hurtado, Francisco Villaescusa-Navarro,
Siyu He, Shirley Ho, ChangHoon Hahn
- Abstract要約: ニュートリノのない標準的な$Lambda$CDMシミュレーションから大量のニュートリノを用いたシミュレーションを生成する新しい手法を提案する。
提案手法により,従来の手法の1万倍の速さで大規模なニュートリノシミュレーションを生成できる。
- 参考スコア（独自算出の注目度）: 1.1151500945305677
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Measuring the sum of the three active neutrino masses, $M_\nu$, is one of the
most important challenges in modern cosmology. Massive neutrinos imprint
characteristic signatures on several cosmological observables in particular on
the large-scale structure of the Universe. In order to maximize the information
that can be retrieved from galaxy surveys, accurate theoretical predictions in
the non-linear regime are needed. Currently, one way to achieve those
predictions is by running cosmological numerical simulations. Unfortunately,
producing those simulations requires high computational resources -- several
hundred to thousand core-hours for each neutrino mass case. In this work, we
propose a new method, based on a deep learning network, to quickly generate
simulations with massive neutrinos from standard $\Lambda$CDM simulations
without neutrinos. We computed multiple relevant statistical measures of
deep-learning generated simulations, and conclude that our approach is an
accurate alternative to the traditional N-body techniques. In particular the
power spectrum is within $\simeq 6\%$ down to non-linear scales $k=0.7$~\rm
h/Mpc. Finally, our method allows us to generate massive neutrino simulations
10,000 times faster than the traditional methods.
- Abstract（参考訳）: 3つの活動ニュートリノ質量の合計である$M_\nu$は、現代の宇宙論において最も重要な課題の1つである。
質量ニュートリノは宇宙の大規模構造にいくつかの宇宙観測可能な特徴を刻み込む。
銀河調査から得られる情報を最大化するためには、非線形状態における正確な理論予測が必要である。
現在、これらの予測を達成する一つの方法は、宇宙論的数値シミュレーションを実行することである。
残念ながら、これらのシミュレーションを作成するには高い計算資源が必要であり、ニュートリノの質量ケースごとに数百から数千コア時間を必要とする。
本研究では,ニュートリノのない標準的な$\Lambda$CDMシミュレーションから,大規模ニュートリノを用いたシミュレーションを高速に生成する,ディープラーニングネットワークに基づく新しい手法を提案する。
深層学習生成シミュレーションの複数の関連する統計指標を計算し,従来のn-body手法の高精度な代替法であると結論づけた。
特にパワースペクトルは、k=0.7$~\rm h/mpcの非線形スケールまで、$\simeq 6\%$である。
最後に,本手法は従来の手法の1万倍高速で大規模なニュートリノシミュレーションを生成することができる。
関連論文リスト
- Qutrit and Qubit Circuits for Three-Flavor Collective Neutrino Oscillations [0.0]
我々は、高密度ニュートリノ系のフレーバーダイナミクスをシミュレートするためのクォートとキュービットの有用性を探求する。
量子ビット型および量子ビット型プラットフォーム上での3フレーバーニュートリノ系をシミュレーションするための新しい量子回路を提案する。
論文 参考訳（メタデータ） (2024-07-18T21:56:31Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - Quantum algorithm for the Vlasov simulation of the large-scale structure
formation with massive neutrinos [0.0]
特に、巨大ニュートリノは宇宙の大規模構造(LSS)の形成に影響を及ぼす。
我々は、ニュートリノの位相空間分布を符号化する量子状態を生成するためにハミルトニアンシミュレーションを実行する。
これはLSSシミュレーションのための最初の量子アルゴリズムであり、精度を保証して実用的関心の量を出力する。
論文 参考訳（メタデータ） (2023-10-03T06:56:03Z) - Fast emulation of cosmological density fields based on dimensionality
reduction and supervised machine-learning [0.0]
簡単な機械学習手法を用いて,高速暗黒物質密度場エミュレーションを競合精度で実行可能であることを示す。
異なる宇宙パラメータに対する新しい密度立方体は、新しいN体シミュレーションに直接頼らずに推定できる。
論文 参考訳（メタデータ） (2023-04-12T18:29:26Z) - Towards Neural Variational Monte Carlo That Scales Linearly with System
Size [67.09349921751341]
量子多体問題(Quantum many-body problem)は、例えば高温超伝導体のようなエキゾチックな量子現象をデミストする中心である。
量子状態を表すニューラルネットワーク(NN)と変分モンテカルロ(VMC)アルゴリズムの組み合わせは、そのような問題を解決する上で有望な方法であることが示されている。
ベクトル量子化技術を用いて,VMCアルゴリズムの局所エネルギー計算における冗長性を利用するNNアーキテクチャVector-Quantized Neural Quantum States (VQ-NQS)を提案する。
論文 参考訳（メタデータ） (2022-12-21T19:00:04Z) - Trapped-Ion Quantum Simulation of Collective Neutrino Oscillations [55.41644538483948]
量子計算を用いて,Nニュートリノ系のコヒーレントな集団振動を2成分近似でシミュレートする手法について検討した。
第2次トロッタースズキ公式を用いたゲート複雑性は,量子信号処理などの他の分解方法よりも,システムサイズに優れることがわかった。
論文 参考訳（メタデータ） (2022-07-07T09:39:40Z) - Entanglement and correlations in fast collective neutrino flavor
oscillations [68.8204255655161]
集合ニュートリノ振動は、天体物理学的な設定においてレプトンのフレーバーを輸送する上で重要な役割を担っている。
高速振動を呈する単純多角ジオメトリーにおける平衡外フレーバーのフルダイナミクスについて検討した。
我々はこれらの高速集団モードが同じ動的相転移によって生成されることを示す。
論文 参考訳（メタデータ） (2022-03-05T17:00:06Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳（メタデータ） (2021-04-01T19:06:00Z) - Simulation of Collective Neutrino Oscillations on a Quantum Computer [117.44028458220427]
本稿では,現在発生している量子デバイスを用いたニュートリノ相互作用系の最初のシミュレーションを行う。
量子ビットの自然接続における制限を克服し、それをリアルタイムに絡み合いの進化を追跡する戦略を導入する。
論文 参考訳（メタデータ） (2021-02-24T20:51:25Z) - Learning the Evolution of the Universe in N-body Simulations [27.935462625522575]
非線型状態の予測を得るために、大規模なN体シミュレーションが構築されている。
n体シミュレーションは計算コストが高く、大量のデータを生成し、ストレージに負担をかける。
非線形n体シミュレーションを中間時間ステップで予測するために,ディープニューラルネットワークモデルを用いる。
論文 参考訳（メタデータ） (2020-12-10T06:27:12Z) - Fast and Accurate Non-Linear Predictions of Universes with Deep Learning [21.218297581239664]
我々は、高速線形予測を数値シミュレーションから完全に非線形な予測に変換するV-Netベースのモデルを構築した。
我々のNNモデルはシミュレーションを小さなスケールにエミュレートすることを学び、現在の最先端の近似手法よりも高速かつ高精度である。
論文 参考訳（メタデータ） (2020-12-01T03:30:37Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。