論文の概要: Mass Estimation of Galaxy Clusters with Deep Learning I:
Sunyaev-Zel'dovich Effect
- arxiv url: http://arxiv.org/abs/2003.06135v2
- Date: Wed, 15 Jul 2020 14:32:54 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 02:16:33.340694
- Title: Mass Estimation of Galaxy Clusters with Deep Learning I:
Sunyaev-Zel'dovich Effect
- Title（参考訳）: 深層学習による銀河団の質量推定 I: Sunyaev-Zel'dovich効果
- Authors: Nikhel Gupta and Christian L. Reichardt
- Abstract要約: 本稿では,マイクロ波空の画像から直接銀河団の質量を推定する深層学習の新たな応用を提案する。
我々は、宇宙マイクロ波背景(CMB)、ほこりや電波銀河からの信号、計器ノイズ、クラスタ独自のSZ信号を含むマイクロ波空のシミュレーション画像を用いて、深層学習モデルを訓練し、テストする。
我々は, 磁気流体力学シミュレーションを用いて, 方位対称SZプロファイルを訓練しても, 現実的なSZプロファイルに対して有効であることを確認した。
- 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: We present a new application of deep learning to infer the masses of galaxy
clusters directly from images of the microwave sky. Effectively, this is a
novel approach to determining the scaling relation between a cluster's
Sunyaev-Zel'dovich (SZ) effect signal and mass. The deep learning algorithm
used is mResUNet, which is a modified feed-forward deep learning algorithm that
broadly combines residual learning, convolution layers with different dilation
rates, image regression activation and a U-Net framework. We train and test the
deep learning model using simulated images of the microwave sky that include
signals from the cosmic microwave background (CMB), dusty and radio galaxies,
instrumental noise as well as the cluster's own SZ signal. The simulated
cluster sample covers the mass range 1$\times 10^{14}~\rm M_{\odot}$
$<M_{200\rm c}<$ 8$\times 10^{14}~\rm M_{\odot}$ at $z=0.7$. The trained model
estimates the cluster masses with a 1 $\sigma$ uncertainty $\Delta M/M \leq
0.2$, consistent with the input scatter on the SZ signal of 20%. We verify that
the model works for realistic SZ profiles even when trained on azimuthally
symmetric SZ profiles by using the Magneticum hydrodynamical simulations.
- Abstract（参考訳）: 本稿では,マイクロ波空の画像から直接銀河団の質量を推定する深層学習の新たな応用を提案する。
効果的に、これはクラスタのSunyaev-Zel'dovich(SZ)効果信号と質量の間のスケーリング関係を決定するための新しいアプローチである。
mResUNetはフィードフォワード深層学習アルゴリズムで、残差学習、畳み込み層と異なるディレーションレート、画像回帰アクティベーション、U-Netフレームワークを広範囲に組み合わせている。
我々は、宇宙マイクロ波背景(CMB)、ほこりや電波銀河からの信号、計器ノイズ、クラスタ独自のSZ信号を含むマイクロ波空のシミュレーション画像を用いて、深層学習モデルを訓練し、テストする。
シミュレーションされたクラスタサンプルは、質量範囲 1$\times 10^{14}~\rm M_{\odot}$ $<M_{200\rm c}<$ 8$\times 10^{14}~\rm M_{\odot}$ at $z=0.7$ をカバーする。
訓練されたモデルは、SZ信号の入力散乱の20%と一致する1$\sigma$不確実性$\Delta M/M \leq 0.2$でクラスタ質量を推定する。
我々は, 磁気流体力学シミュレーションを用いて, 方位対称SZプロファイルを訓練しても, 現実的なSZプロファイルに対して有効であることを確認した。
関連論文リスト
- Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。
本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。
特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
論文 参考訳（メタデータ） (2023-07-07T15:42:35Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳（メタデータ） (2022-11-17T13:01:26Z) - The SZ flux-mass ($Y$-$M$) relation at low halo masses: improvements
with symbolic regression and strong constraints on baryonic feedback [2.436653298863297]
AGNと超新星のフィードバックは、CMBサーベイによるハロのSZフラックスの総合的な測定に影響を与える可能性がある。
低質量のフィードバックプロセスに対してより堅牢な$Y-M$関係の類似を探索する。
この結果は,今後のSZ調査を用いて,バリオニクスフィードバックの性質を制約する上で有用である。
論文 参考訳（メタデータ） (2022-09-05T18:00:00Z) - Offline Reinforcement Learning at Multiple Frequencies [62.08749079914275]
本研究では、オフライン強化学習アルゴリズムが、トレーニング中に複数の周波数を混合したデータに対応できるかどうかについて検討する。
学習を安定させるために$Q$-valueの更新率で一貫性を強制する、単純だが効果的なソリューションを提案する。
論文 参考訳（メタデータ） (2022-07-26T17:54:49Z) - Physics-informed compressed sensing for PC-MRI: an inverse Navier-Stokes
problem [78.20667552233989]
我々は、ノイズやスパース磁気共鳴信号から速度場を復元するための物理インフォームド圧縮センシング(PICS)法を定式化する。
本手法は, 疎サンプリング信号から速度場を再構成し, セグメンテーションすることができる。
論文 参考訳（メタデータ） (2022-07-04T14:51:59Z) - Augmenting astrophysical scaling relations with machine learning :
application to reducing the SZ flux-mass scatter [2.0223261087090303]
We study the Sunyaev-Zeldovich flux$-$cluster mass relation(Y_mathrmSZ-M$)
我々は、Y_mathrmSZ$とイオン化ガスの濃度を組み合わせたクラスター質量の新しいプロキシを求める。
以上の結果から,$c_mathrmgas$への依存は,外部よりも大きな散乱を示すクラスタのコアに関係していることが分かる。
論文 参考訳（メタデータ） (2022-01-04T19:00:01Z) - 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) - STEM: A Stochastic Two-Sided Momentum Algorithm Achieving Near-Optimal
Sample and Communication Complexities for Federated Learning [58.6792963686231]
フェデレートラーニング(FL)とは、複数のワーカノード(WN)がローカルデータを用いてジョイントモデルを構築するパラダイムを指す。
WNの最小更新方向、最初のミニバッチサイズ、ローカル更新頻度をどうやって選択するかは明らかになっていない。
局所的な更新頻度と局所的なミニサイズとの間にはトレードオフ曲線があることを示し、上記の複雑さを維持できることを示す。
論文 参考訳（メタデータ） (2021-06-19T06:13:45Z) - deep21: a Deep Learning Method for 21cm Foreground Removal [1.5914835340090137]
我々は、シミュレーション観測に基づいて、UNetアーキテクチャと3次元畳み込みによる深層畳み込みニューラルネットワーク(CNN)を訓練する。
クリーニングマップは、すべての関連する角スケールと周波数で10%以内の宇宙的クラスタリング統計を回復する。
提案手法は, 今後の無線実験において, 21cmの強度マップを解析可能であることを示すものである。
論文 参考訳（メタデータ） (2020-10-29T18:00:02Z) - Mass Estimation of Galaxy Clusters with Deep Learning II: CMB Cluster
Lensing [0.0]
宇宙マイクロ波背景(CMB)温度マップをマイクロ波空の画像から再構成する深層学習の新たな応用を提案する。
分析の両ステップでフィードフォワード深層学習ネットワークmResUNetを使用する。
論文 参考訳（メタデータ） (2020-05-28T13:39:49Z) - Constraining the recent star formation history of galaxies : an
Approximate Bayesian Computation approach [0.0]
本研究は、過去数十～数百年の恒星形成活動の強い変動を呈する銀河を同定する手法を提案する。
高信号対雑音比広帯域光度計を用いてCOSMOS銀河のサンプルを分析する。
論文 参考訳（メタデータ） (2020-02-18T19:00:01Z)
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。