論文の概要: AI-assisted super-resolution cosmological simulations
- arxiv url: http://arxiv.org/abs/2010.06608v2
- Date: Tue, 4 May 2021 20:55:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-08 00:49:48.725940
- Title: AI-assisted super-resolution cosmological simulations
- Title（参考訳）: ai支援による超解像宇宙シミュレーション
- Authors: Yin Li, Yueying Ni, Rupert A. C. Croft, Tiziana Di Matteo, Simeon
Bird, Yu Feng
- Abstract要約: 我々は、高分解能(HR)画像データから学習し、異なる低分解能(LR)画像の高精度超解像(SR)バージョンを作成するニューラルネットワークを開発した。
我々は, 512倍の粒子を生成し, 初期位置からの変位を予測することにより, シミュレーションの精度を向上させることができる。
我々のモデルは16対の小容量LR-HRシミュレーションから学習し、その結果、HR物質パワースペクトルを最大16,h-1mathrmMpc$、HRハロ質量関数を10ドル以内で再現するSRシミュレーションを生成することができる。
- 参考スコア（独自算出の注目度）: 9.59904742274332
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cosmological simulations of galaxy formation are limited by finite
computational resources. We draw from the ongoing rapid advances in Artificial
Intelligence (specifically Deep Learning) to address this problem. Neural
networks have been developed to learn from high-resolution (HR) image data, and
then make accurate super-resolution (SR) versions of different low-resolution
(LR) images. We apply such techniques to LR cosmological N-body simulations,
generating SR versions. Specifically, we are able to enhance the simulation
resolution by generating 512 times more particles and predicting their
displacements from the initial positions. Therefore our results can be viewed
as new simulation realizations themselves rather than projections, e.g., to
their density fields. Furthermore, the generation process is stochastic,
enabling us to sample the small-scale modes conditioning on the large-scale
environment. Our model learns from only 16 pairs of small-volume LR-HR
simulations, and is then able to generate SR simulations that successfully
reproduce the HR matter power spectrum to percent level up to
$16\,h^{-1}\mathrm{Mpc}$, and the HR halo mass function to within $10 \%$ down
to $10^{11} \, M_\odot$. We successfully deploy the model in a box 1000 times
larger than the training simulation box, showing that high-resolution mock
surveys can be generated rapidly. We conclude that AI assistance has the
potential to revolutionize modeling of small-scale galaxy formation physics in
large cosmological volumes.
- Abstract（参考訳）: 銀河形成の宇宙論的シミュレーションは有限計算資源によって制限される。
私たちは、人工知能(特にディープラーニング)の急速な進歩から、この問題に対処しています。
ニューラルネットワークは高分解能(HR)画像データから学習し、異なる低分解能(LR)画像の高精度超解像(SR)バージョンを作成するために開発された。
このような手法をLR宇宙論的N体シミュレーションに適用し、SRバージョンを生成する。
具体的には, 512倍の粒子を生成し, 初期位置からの変位を予測することにより, シミュレーションの精度を向上させることができる。
したがって, この結果は, 密度場への投影ではなく, 新たなシミュレーション実現と見なすことができる。
さらに, 生成過程は確率的であり, 大規模環境下での小型モードのサンプル化が可能となる。
我々のモデルは16対の小容量LR-HRシミュレーションから学習し、得られたSRシミュレーションによりHR物質パワースペクトルを最大で16,h^{-1}\mathrm{Mpc}$まで再現し、HRハロ質量関数を10 %$から10^{11} \, M_\odot$までの範囲で生成することができる。
トレーニングシミュレーションボックスの1000倍の大きさの箱にモデルを配置し,高解像度モックサーベイを高速に生成可能であることを示す。
結論としては、ai支援は、大宇宙量での小規模銀河形成物理学のモデリングに革命をもたらす可能性がある。
関連論文リスト
- Cosmological Analysis with Calibrated Neural Quantile Estimation and Approximate Simulators [0.0]
我々は,多数の近似シミュレーションをトレーニングに利用し,少数の高忠実度シミュレーションをキャリブレーションに利用した新しいシミュレーションベース推論(SBI)手法を提案する。
概念の証明として、2次元暗黒物質密度写像から、z=0$で$k_rm maxsim1.5,h$/Mpcまでの距離で宇宙的パラメータを推定できることが示される。
キャリブレーション後部は、$sim104$ expensive Particle-Particle (PP) シミュレーションの直接トレーニングにより得られたものとよく一致するが、計算コストのごく一部で一致する。
論文 参考訳（メタデータ） (2024-11-22T05:53:46Z) - ASURA-FDPS-ML: Star-by-star Galaxy Simulations Accelerated by Surrogate Modeling for Supernova Feedback [0.7324709841516586]
代理モデルによって加速される新しい高分解能銀河シミュレーションを導入し、計算コストを約75%削減する。
約8太陽質量のゼロ年代主系列質量を持つ質量級の恒星は、核崩壊型超新星(CCSNe)として爆発する
計算コストを削減し,物理スケールギャップを効果的に橋渡しし,マルチスケールシミュレーションを可能にする。
論文 参考訳（メタデータ） (2024-10-30T18:00:02Z) - 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$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
論文 参考訳（メタデータ） (2024-09-13T18:00:06Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳（メタデータ） (2023-05-21T03:51:03Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳（メタデータ） (2022-06-15T17:29:57Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳（メタデータ） (2022-06-10T04:54:13Z) - Super-resolving Dark Matter Halos using Generative Deep Learning [77.79867381335231]
畳み込みニューラルネットワーク(CNN)上に構築された生成的ディープラーニング手法は、宇宙論における非線形構造を予測する優れたツールを提供する。
本研究では,高分解能暗黒物質ハロを大規模で低分解能暗黒物質のみのシミュレーションから予測する。
論文 参考訳（メタデータ） (2021-11-11T18:59:07Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ 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) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳（メタデータ） (2021-06-05T01:31:51Z) - AI-assisted super-resolution cosmological simulations II: Halo
substructures, velocities and higher order statistics [17.79842815799932]
超解像(SR)モデルは、全位相空間の物質分布の高分解能(HR)実現を生成する。
ボックスサイズ100Mpc/hの10のテストシミュレーションでモデルを展開し、SRモデルを検証します。
生成されたSRフィールドは、K 10 h/Mpcのスケールにパーセントレベルで真のHR結果と一致します。
論文 参考訳（メタデータ） (2021-05-03T17:08:21Z) - Learning effective physical laws for generating cosmological
hydrodynamics with Lagrangian Deep Learning [7.6146285961466]
宇宙力学シミュレーションの出力を学習するために,ラグランジアン深層学習を提案する。
このモデルは、観測可能な粒子を記述したラグランジアン変位の層を用いて、有効な物理法則を学習する。
学習されたパラメータの総数はオーダー10のみであり、有効理論パラメータと見なすことができる。
論文 参考訳（メタデータ） (2020-10-06T18:00:00Z)
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。