論文の概要: Mass Estimation of Galaxy Clusters with Deep Learning II: CMB Cluster
Lensing
- arxiv url: http://arxiv.org/abs/2005.13985v2
- Date: Fri, 22 Oct 2021 07:44:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 06:02:53.035352
- Title: Mass Estimation of Galaxy Clusters with Deep Learning II: CMB Cluster
Lensing
- Title（参考訳）: 深層学習による銀河団の質量推定II:CMBクラスターレンズ
- Authors: N. Gupta and C. L. Reichardt
- Abstract要約: 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。
- 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 reconstruct the cosmic
microwave background (CMB) temperature maps from the images of microwave sky,
and to use these reconstructed maps to estimate the masses of galaxy clusters.
We use a feed-forward deep learning network, mResUNet, for both steps of the
analysis. The first deep learning model, mResUNet-I, is trained to reconstruct
foreground and noise suppressed CMB maps from a set of simulated images of the
microwave sky that include signals from the cosmic microwave background,
astrophysical foregrounds like dusty and radio galaxies, instrumental noise as
well as the cluster's own thermal Sunyaev Zel'dovich signal. The second deep
learning model, mResUNet-II, is trained to estimate cluster masses from the
gravitational lensing signature in the reconstructed foreground and noise
suppressed CMB maps. For SPTpol-like noise levels, the trained mResUNet-II
model recovers the mass for $10^4$ galaxy cluster samples with a 1-$\sigma$
uncertainty $\Delta M_{\rm 200c}^{\rm est}/M_{\rm 200c}^{\rm est} =$ 0.108 and
0.016 for input cluster mass $M_{\rm 200c}^{\rm true}=10^{14}~\rm M_{\odot}$
and $8\times 10^{14}~\rm M_{\odot}$, respectively. We also test for potential
bias on recovered masses, finding that for a set of $10^5$ clusters the
estimator recovers $M_{\rm 200c}^{\rm est} = 2.02 \times 10^{14}~\rm
M_{\odot}$, consistent with the input at 1% level. The 2 $\sigma$ upper limit
on potential bias is at 3.5% level.
- Abstract（参考訳）: 本稿では,宇宙マイクロ波背景(cmb)の温度マップをマイクロ波画像から再構成し,これらの再構成地図を用いて銀河団の質量を推定する,深層学習の新しい応用について述べる。
分析の両ステップでは,フィードフォワード深層学習ネットワークであるmresunetを用いた。
最初の深層学習モデルであるmResUNet-Iは、宇宙マイクロ波背景からの信号、ダストや電波銀河のような天体物理学的な前景、クラスターのサーマル・スニャーエフ・ゼルドビッチ信号などを含むマイクロ波空のシミュレーション画像から、前景と雑音を抑圧したCMBマップを再構成する訓練がなされている。
第2の深層学習モデルmResUNet-IIは、再構成された前景とノイズ抑圧されたCMBマップの重力レンズ信号からクラスター質量を推定するように訓練されている。
sptpolのようなノイズレベルの場合、訓練されたmresunet-iiモデルは、1-$\sigma$の不確実性$\delta m_{\rm 200c}^{\rm est}/m_{\rm 200c}^{\rm est} = 0.108 と 0.016 の入力クラスタ質量 $m_{\rm 200c}^{\rm true}=10^{14}~\rm m_{\odot}$と 8-$\times 10^{14}~\rm m_{\odot}$ で10^4$の銀河クラスターサンプルの質量を復元する。
また、回収された集団の潜在的なバイアスをテストし、100^5$のクラスタのセットに対して、etimatorは、1%レベルの入力と一致して、$m_{\rm 200c}^{\rm est} = 2.02 \times 10^{14}~\rm m_{\odot}$を回復する。
潜在的なバイアスに対する2$\sigma$上限は3.5%である。
関連論文リスト
- Slow Mixing of Quantum Gibbs Samplers [47.373245682678515]
一般化されたボトルネック補題を用いて、これらのツールの量子一般化を示す。
この補題は、古典的なハミング距離に類似する距離の量子測度に焦点を当てるが、一意に量子原理に根ざしている。
サブ線形障壁でさえも、ファインマン・カック法を用いて古典的から量子的なものを持ち上げて、厳密な下界の$T_mathrmmix = 2Omega(nalpha)$を確立する。
論文 参考訳（メタデータ） (2024-11-06T22:51:27Z) - 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) - Robust marginalization of baryonic effects for cosmological inference at
the field level [12.768056235837427]
ニューラルネットワークをトレーニングして、全質量表面密度を含む$(25,h-1rm Mpc)2$2Dマップから確率のない推論を行う。
ネットワークは、すべての解決されたスケールから一点関数やパワースペクトルを超えて情報を抽出できることを示す。
論文 参考訳（メタデータ） (2021-09-21T18:00:01Z) - Boosting in the Presence of Massart Noise [49.72128048499074]
マスアートノイズを伴う(分布に依存しない)PACモデルにおいて、弱い学習者の精度を高める問題について検討する。
我々の主な成果は、Massartノイズの存在下で最初の計算効率の良いブースティングアルゴリズムである。
正の結果の簡単な応用として、高次元矩形の和に対して、第一に効率的なMassart学習者を与える。
論文 参考訳（メタデータ） (2021-06-14T22:21:25Z) - Provable Robustness of Adversarial Training for Learning Halfspaces with
Noise [95.84614821570283]
ラベル雑音の存在下での敵対的ロバストなハーフスペースの特性を分析する。
我々の知る限りでは、これは敵の訓練がノイズの分類子を与えることを示す最初の研究である。
論文 参考訳（メタデータ） (2021-04-19T16:35:38Z) - Learning Over-Parametrized Two-Layer ReLU Neural Networks beyond NTK [58.5766737343951]
2層ニューラルネットワークを学習する際の降下のダイナミクスについて考察する。
過度にパラメータ化された2層ニューラルネットワークは、タンジェントサンプルを用いて、ほとんどの地上で勾配損失を許容的に学習できることを示す。
論文 参考訳（メタデータ） (2020-07-09T07:09:28Z) - DeepMerge: Classifying High-redshift Merging Galaxies with Deep Neural
Networks [0.0]
シミュレーション画像において、融合銀河と非融合銀河を区別する作業に畳み込みニューラルネットワーク(CNN)を用いることを示す。
我々は、Illustris-1の宇宙シミュレーションから、融合銀河と非融合銀河の画像を抽出し、観測および実験的ノイズを適用した。
CNNのテストセットの分類精度は、プリスタンが79%、ノイズが76%である。
論文 参考訳（メタデータ） (2020-04-24T20:36:06Z) - Mass Estimation of Galaxy Clusters with Deep Learning I:
Sunyaev-Zel'dovich Effect [0.0]
本稿では,マイクロ波空の画像から直接銀河団の質量を推定する深層学習の新たな応用を提案する。
我々は、宇宙マイクロ波背景(CMB)、ほこりや電波銀河からの信号、計器ノイズ、クラスタ独自のSZ信号を含むマイクロ波空のシミュレーション画像を用いて、深層学習モデルを訓練し、テストする。
我々は, 磁気流体力学シミュレーションを用いて, 方位対称SZプロファイルを訓練しても, 現実的なSZプロファイルに対して有効であることを確認した。
論文 参考訳（メタデータ） (2020-03-13T07:16:20Z) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$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) - CosmoVAE: Variational Autoencoder for CMB Image Inpainting [4.69377041192659]
CMBマップのノイズは、宇宙論的パラメータの推定精度に大きな影響を及ぼす。
本稿では,CMBマップの欠落した観測を復元する深層学習に基づく変分自動エンコーダを提案する。
提案したモデルは,Planck textttCommander 2018 CMBmap inpaintingのアートパフォーマンスの状態を達成している。
論文 参考訳（メタデータ） (2020-01-31T03:54:35Z)
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。