論文の概要: Determination of the relative inclination and the viewing angle of an
interacting pair of galaxies using convolutional neural networks
- arxiv url: http://arxiv.org/abs/2002.01238v2
- Date: Thu, 30 Jul 2020 06:42:42 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 03:00:56.693020
- Title: Determination of the relative inclination and the viewing angle of an
interacting pair of galaxies using 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相互作用銀河対の相対傾きと視角の決定
- Authors: Prem Prakash, Arunima Banerjee, Pavan Kumar Perepu
- Abstract要約: 我々は、相互作用する銀河対の相対傾き(i$)と視角(theta$)を決定するために、ディープ畳み込みニューラルネットワーク(DCNN)モデルを構築した。
i$と$theta$の両方の値に基づく分類では、9クラスの分類(0circ,15circ),(0circ,45circ),(0circ,90circ),(45circ,45circ),(90circ)のDCNNモデルを開発する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Constructing dynamical models for interacting pair of galaxies as constrained
by their observed structure and kinematics crucially depends on the correct
choice of the values of the relative inclination ($i$) between their galactic
planes as well as the viewing angle ($\theta$), the angle between the line of
sight and the normal to the plane of their orbital motion. We construct Deep
Convolutional Neural Network (DCNN) models to determine the relative
inclination ($i$) and the viewing angle ($\theta$) of interacting galaxy pairs,
using N-body $+$ Smoothed Particle Hydrodynamics (SPH) simulation data from the
GALMER database for training the same. In order to classify galaxy pairs based
on their $i$ values only, we first construct DCNN models for a (a) 2-class (
$i$ = 0 $^{\circ}$, 45$^{\circ}$ ) and (b) 3-class ($i = 0^{\circ}, 45^{\circ}
\text{ and } 90^{\circ}$) classification, obtaining $F_1$ scores of 99% and 98%
respectively. Further, for a classification based on both $i$ and $\theta$
values, we develop a DCNN model for a 9-class classification ($(i,\theta) \sim
(0^{\circ},15^{\circ}) ,(0^{\circ},45^{\circ}), (0^{\circ},90^{\circ}),
(45^{\circ},15^{\circ}), (45^{\circ}, 45^{\circ}), (45^{\circ}, 90^{\circ}),
(90^{\circ}, 15^{\circ}), (90^{\circ}, 45^{\circ}), (90^{\circ},90^{\circ})$),
and the $F_1$ score was 97$\%$. Finally, we tested our 2-class model on real
data of interacting galaxy pairs from the Sloan Digital Sky Survey (SDSS) DR15,
and achieve an $F_1$ score of 78%. Our DCNN models could be further extended to
determine additional parameters needed to model dynamics of interacting galaxy
pairs, which is currently accomplished by trial and error method.
- Abstract（参考訳）: 観測された構造と運動学によって制約された銀河対の相互作用のための力学モデルの構築は、銀河面間の相対傾き(i$)の値の正しい選択と、視角(\theta$)、視角と軌道運動の平面との通常の角度に依存する。
我々は、GALMERデータベースからN-body $+$ Smoothed Particle Hydrodynamics (SPH) シミュレーションデータを用いて、相互作用する銀河対の相対的傾き(i$)と視角(\theta$)を決定するために、ディープ畳み込みニューラルネットワーク(DCNN)モデルを構築した。
i$値のみに基づいて銀河対を分類するために、まず1つのDCNNモデルを構築します。
(a)2級($i$ = 0 $^{\circ}$, 45$^{\circ}$)および
(b)3つのクラス (i = 0^{\circ}, 45^{\circ} \text{, } 90^{\circ}$) を分類し、それぞれ99%と98%の$f_1$スコアを得る。
さらに、$i$と$\theta$値の両方に基づいて、9級分類((i,\theta) \sim (0^{\circ},15^{\circ}) ,(0^{\circ},45^{\circ}), (0^{\circ},90^{\circ}), (45^{\circ},15^{\circ}), (45^{\circ},45^{\circ}), (45^{\circ}, 90^{\circ}), (90^{\circ}, 15^{\circ}), (90^{\circ}, 45^{\circ}), (90^{\circ}, 90^{\circ}), (90^{\circ}, 90^{\circ}) のDCNNモデルを開発し、$F_1$のスコアは97$$$$であった。
最後に、Sloan Digital Sky Survey (SDSS) DR15の相互作用銀河対の実データに基づいて、2クラスモデルを検証し、F_1$スコア78%を得た。
我々のdcnnモデルはさらに拡張され、相互作用する銀河対の動力学のモデル化に必要な追加パラメータを決定することができる。
関連論文リスト
- The Optimization Landscape of SGD Across the Feature Learning Strength [102.1353410293931]
オンライントレーニング環境で、さまざまなモデルやデータセットに$gamma$をスケーリングする効果について検討する。
最適なオンラインパフォーマンスは、しばしば大きな$gamma$で見られます。
以上の結果から,大容量ガンマ$限界の解析的研究は,実演モデルにおける表現学習のダイナミクスに関する有用な知見をもたらす可能性が示唆された。
論文 参考訳（メタデータ） (2024-10-06T22:30:14Z) - Learning Galaxy Intrinsic Alignment Correlations [16.805775045014578]
銀河の内在的なアライメント(IA)は、重力潮流相互作用と銀河形成過程による銀河の形状の相関を表す。
本研究では,銀河の位置,位置配向,方向配向相関関数の測定と不確かさをエミュレートする深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-04-21T16:16:56Z) - Robust Field-level Likelihood-free Inference with Galaxies [0.0]
我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから銀河カタログを用いて、グラフニューラルネットワークを訓練し、フィールドレベル確率自由推論を行う。
我々のモデルは回転、翻訳、置換不変であり、スケールにいかなるカットも課さない。
我々のモデルは、天体物理学、サブグリッド物理学、およびサブハロ/ガラクシーファインダーの変化に対して堅牢であることがわかった。
論文 参考訳（メタデータ） (2023-02-27T19:26:13Z) - Using Machine Learning to Determine Morphologies of $z<1$ AGN Host
Galaxies in the Hyper Suprime-Cam Wide Survey [4.747578120823036]
本稿では,AGNホスト銀河の形態をz1$以内で正確に特徴付けるための機械学習フレームワークを提案する。
まず、多数のシミュレートされた銀河をトレーニングし、それからより少ない分類された実際の銀河を微調整することで、我々のフレームワークは、テストセットからホスト銀河を60～70%でシミュレートする実際の形態を予測した。
我々のモデルは96%/82%/79%のディスク精度、90%/90%/80%のバルジ精度を未決定分率30%/43%/42の閾値で達成する。
論文 参考訳（メタデータ） (2022-12-20T04:00:58Z) - Hierarchical Inference of the Lensing Convergence from Photometric
Catalogs with Bayesian Graph Neural Networks [0.0]
我々は銀河ギャラクシーレンズのスケールを$sim$1$''で変動させ、BGNNを訓練するためにランダムな視線を抽出する。
BGNNは、1000の視線からなる各テストセットに対して、個々の$kappa$aftersを推論し、階層的ベイズモデルで組み合わせる。
トレーニングセットでよくサンプリングされたテストフィールドに対して、BGNNは、正確にはバイアスなく、人口平均の$kappa$を回収する。
論文 参考訳（メタデータ） (2022-11-15T00:29:20Z) - Predicting the Stability of Hierarchical Triple Systems with
Convolutional Neural Networks [68.8204255655161]
本稿では,階層型三重項の安定性を予測する畳み込みニューラルネットワークモデルを提案する。
すべてのトレーニングされたモデルは公開されており、純粋な$N$-bodyメソッドよりも200ドルの速さで階層的な3重システムの安定性を予測することができる。
論文 参考訳（メタデータ） (2022-06-24T17:58:13Z) - High-dimensional Asymptotics of Feature Learning: How One Gradient Step
Improves the Representation [89.21686761957383]
2層ネットワークにおける第1層パラメータ $boldsymbolW$ の勾配降下ステップについて検討した。
我々の結果は、一つのステップでもランダムな特徴に対してかなりの優位性が得られることを示した。
論文 参考訳（メタデータ） (2022-05-03T12:09:59Z) - Learning cosmology and clustering with cosmic graphs [0.0]
我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから数千の銀河カタログのディープラーニングモデルを訓練する。
まず、GNNが数パーセントの精度で銀河カタログのパワースペクトルを計算することができることを示す。
次に、GNNをトレーニングし、銀河場レベルで可能性のない推論を行う。
論文 参考訳（メタデータ） (2022-04-28T18:00:02Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。
また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
論文 参考訳（メタデータ） (2021-10-11T18:00:02Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳（メタデータ） (2020-11-24T22:51:08Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。