論文の概要: Emulation of cosmological mass maps with conditional generative adversarial networks

• arxiv url: http://arxiv.org/abs/2004.08139v2
• Date: Thu, 6 May 2021 09:32:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-12 13:52:25.841057
• Title: Emulation of cosmological mass maps with conditional generative adversarial networks
• Title（参考訳）: 条件付き生成逆数ネットワークを用いた宇宙質量マップのエミュレーション
• Authors: Nathana\"el Perraudin, Sandro Marcon, Aurelien Lucchi, Tomasz Kacprzak
• Abstract要約: 本稿では, 物質密度$Omega_m$と物質クラスタリング強度$sigma_8$に対して, 質量マップを生成可能な新しい条件付きGANモデルを提案する。 以上の結果から,我々の条件付きGANはシミュレーション宇宙論の空間内で効率的に補間できることが示唆された。 この貢献は、質量マップのエミュレータを直接構築するためのステップであり、宇宙的信号とその可変性の両方をキャプチャする。
• 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: Weak gravitational lensing mass maps play a crucial role in understanding the evolution of structures in the universe and our ability to constrain cosmological models. The prediction of these mass maps is based on expensive N-body simulations, which can create a computational bottleneck for cosmological analyses. Modern deep generative models, such as Generative Adversarial Networks (GAN), have demonstrated their potential to achieve this goal. Most existing GAN approaches produce simulations for a fixed value of the cosmological parameters, which limits their practical applicability. We propose a novel conditional GAN model that is able to generate mass maps for any pair of matter density $\Omega_m$ and matter clustering strength $\sigma_8$, parameters which have the largest impact on the evolution of structures in the universe. Our results show that our conditional GAN can interpolate efficiently within the space of simulated cosmologies, and generate maps anywhere inside this space with good visual quality high statistical accuracy. We perform an extensive quantitative comparison of the N-body and GAN -generated maps using a range of metrics: the pixel histograms, peak counts, power spectra, bispectra, Minkowski functionals, correlation matrices of the power spectra, the Multi-Scale Structural Similarity Index (MS-SSIM) and our equivalent of the Fr\'echet Inception Distance (FID). We find a very good agreement on these metrics, with typical differences are <5% at the centre of the simulation grid, and slightly worse for cosmologies at the grid edges. The agreement for the bispectrum is slightly worse, on the <20% level. This contribution is a step towards building emulators of mass maps directly, capturing both the cosmological signal and its variability. We make the code and the data publicly available: https://renkulab.io/gitlab/nathanael.perraudin/darkmattergan
• Abstract（参考訳）: 弱い重力レンズ質量マップは、宇宙の構造の進化と宇宙論的モデルを制約する我々の能力を理解する上で重要な役割を果たす。 これらの質量マップの予測は高価なNボディシミュレーションに基づいており、宇宙分析のための計算ボトルネックを生み出すことができる。 GAN(Generative Adversarial Networks)のような現代の深層生成モデルは、この目標を達成する可能性を示している。 ほとんどの既存のGANアプローチは、宇宙パラメータの固定値のシミュレーションを生成し、実用性を制限する。 我々は,物質密度$\omega_m$ と物質クラスタリング強度$\sigma_8$ の任意の対の質量マップを生成可能な条件付きganモデルを提案する。 我々の条件付きGANは、シミュレーション宇宙論の空間内で効率的に補間でき、この空間内の地図を視覚的精度の高い統計的精度で生成できることを示す。 画素ヒストグラム,ピーク数,パワースペクトル,bispectra,minkowski関数,パワースペクトルの相関行列,ms-ssim(multi-scale structure similarity index)および同値のfr\'echetインセプション距離(fid)を用いて,n体とgan生成マップの広範な定量的比較を行った。 典型的な違いは、シミュレーショングリッドの中心で5%、グリッドエッジでの宇宙論ではわずかに悪いものです。 bispectrumの合意は、20%のレベルでやや悪化している。 この貢献は、マスマップのエミュレータを直接構築し、宇宙論的信号とその変動性を捉えるための一歩である。 コードとデータを公開します。 https://renkulab.io/gitlab/nathanael.perraudin/darkmattergan

関連論文リスト

• CHARM: Creating Halos with Auto-Regressive Multi-stage networks [1.6987257996124416]
  CHARMは、モックハローカタログを作成するための新しい方法である。 モックハローカタログと塗装された銀河カタログは、実空間と赤方偏移空間の両方でN$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
  論文  参考訳（メタデータ） (2024-09-13T18:00:06Z)
• Gaussian Entanglement Measure: Applications to Multipartite Entanglement of Graph States and Bosonic Field Theory [50.24983453990065]
  フービニ・スタディ計量に基づく絡み合い尺度は、Cocchiarellaと同僚によって最近導入された。 本稿では,多モードガウス状態に対する幾何絡み合いの一般化であるガウスエンタングルメント尺度(GEM)を提案する。 自由度の高い系に対する計算可能な多部絡み合わせ測度を提供することにより、自由なボゾン場理論の洞察を得るために、我々の定義が利用できることを示す。
  論文  参考訳（メタデータ） (2024-01-31T15:50:50Z)
• Domain Adaptive Graph Neural Networks for Constraining Cosmological Parameters Across Multiple Data Sets [40.19690479537335]
  DA-GNNは,データセット間のタスクにおいて高い精度とロバスト性を実現する。 このことは、DA-GNNがドメインに依存しない宇宙情報を抽出するための有望な方法であることを示している。
  論文  参考訳（メタデータ） (2023-11-02T20:40:21Z)
• Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
  宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。 我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。 我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
  論文  参考訳（メタデータ） (2022-11-22T15:35:05Z)
• Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
  グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。 ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。 我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
  論文  参考訳（メタデータ） (2022-10-15T08:01:08Z)
• Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
  本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。 要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
  論文  参考訳（メタデータ） (2022-10-01T21:17:39Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• Inferring halo masses with Graph Neural Networks [0.5804487044220691]
  我々は、ハローの位置、速度、恒星の質量、銀河の半径を推定するモデルを構築します。 我々は不規則でスパースなデータを扱うように設計されたグラフニューラルネットワーク(GNN)を使用している。 我々のモデルでは、ハロの質量を$sim$0.2 dexの精度で制限することができる。
  論文  参考訳（メタデータ） (2021-11-16T18:37:53Z)
• Satellite galaxy abundance dependency on cosmology in Magneticum simulations [101.18253437732933]
  宇宙論的パラメータに基づく衛星量のエミュレータを構築した。 A$ 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)
• Multifield Cosmology with Artificial Intelligence [13.031414468952313]
  天体物理学のプロセスは、ダークマター、ガス、銀河の性質をよく理解されていない方法で修正する。 13の異なるフィールドに対して数十万の2次元マップを生成します。 我々はこれらの地図を用いて畳み込みニューラルネットワークを訓練し、宇宙情報の最大量を抽出する。
  論文  参考訳（メタデータ） (2021-09-20T18:00:01Z)

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。