論文の概要: Predicting Localized Primordial Star Formation with Deep Convolutional
Neural Networks
- arxiv url: http://arxiv.org/abs/2011.01358v2
- Date: Tue, 20 Apr 2021 21:47:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 13:27:58.123802
- Title: Predicting Localized Primordial Star Formation with Deep Convolutional
Neural Networks
- Title（参考訳）: 深層畳み込みニューラルネットワークによる局所原始星形成の予測
- Authors: Azton I. Wells and Michael L. Norman
- Abstract要約: 本研究では、3次元深部畳み込みニューラルネットワークを原始星の形成とフィードバック効果の高速な代理モデルとして適用することを検討した。
本稿では,局所主星形成を予測するための代理モデルについて述べる。
我々の知る限り、これは高解像度の宇宙シミュレーションと一致する原始星形成領域を予測できる最初のモデルである。
- 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 investigate applying 3D deep convolutional neural networks as fast
surrogate models of the formation and feedback effects of primordial stars in
hydrodynamic cosmological simulations of the first galaxies. Here, we present
the surrogate model to predict localized primordial star formation; the
feedback model will be presented in a subsequent paper. The star formation
prediction model consists of two sub-models: the first is a 3D volume
classifier that predicts which (10 comoving kpc)$^3$ volumes will host star
formation, followed by a 3D Inception-based U-net voxel segmentation model that
predicts which voxels will form primordial stars. We find that the combined
model predicts primordial star forming volumes with high skill, with $F_1
>0.995$ and true skill score $>0.994$. The star formation is localized within
the volume to $\lesssim5^3$~voxels ($\sim1.6$~comoving kpc$^3$) with
$F_1>0.399$ and true skill score $>0.857$. Applied to simulations with low
spatial resolution, the model predicts star forming regions in the same
locations and at similar redshifts as sites in resolved full-physics
simulations that explicitly model primordial star formation and feedback. When
applied to simulations with lower mass resolution, we find that the model
predicts star forming regions at later redshift due to delayed structure
formation resulting from lower mass resolution. Our model predicts primordial
star formation without halo finding, so will be useful in spatially
under-resolved simulations that cannot resolve primordial star forming halos.
To our knowledge, this is the first model that can predict primordial star
forming regions that match highly-resolved cosmological simulations.
- Abstract（参考訳）: 第1銀河の流体力学的宇宙論的シミュレーションにおいて、原始星の形成とフィードバック効果の高速サーロゲートモデルとして3次元深層畳み込みニューラルネットワークを適用した。
ここでは、局所主星形成を予測するための代理モデルを提示し、その後の論文でフィードバックモデルを示す。
星形成予測モデルは2つのサブモデルから構成される: 1つは、(10の共役kpc)$^3$の体積が主星形成を予測する3Dボリューム分類器であり、次に、どのボクセルが主星を形成するかを予測する3DインセプションベースのU-netボクセルセグメンテーションモデルである。
組み合わせたモデルでは、F_1 >0.995$と真のスキルスコア$>0.994$で主星形成量を予測する。
星形成は、体積内で$\lesssim5^3$~voxels (\sim1.6$~comoving kpc$^3$) にローカライズされ、$f_1>0.399$、true skill score $>0.857$である。
空間分解能の低いシミュレーションでは、主星の形成とフィードバックを明示的にモデル化する完全な物理シミュレーションにおいて、同じ位置と同様の赤方偏移で星形成領域を予測する。
質量分解能の低いシミュレーションに適用すると、質量分解能の低下による遅延構造の形成により、後続の赤方偏移で星形成領域を予測することが分かる。
本モデルでは、ハロ星を発見せずに原始星形成を予測できるため、ハロ星形成を解決できない空間的に未解決のシミュレーションに有用である。
我々の知る限り、これは高解像度の宇宙シミュレーションと一致する原始星形成領域を予測できる最初のモデルである。
関連論文リスト
- 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$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
論文 参考訳（メタデータ） (2024-09-13T18:00:06Z) - Do Deep Neural Network Solutions Form a Star Domain? [68.66750305473163]
本稿では,与えられた学習課題のスターモデルを求めるスターライトアルゴリズムを提案する。
得られた恒星領域上でのベイズモデル平均値に対するより良い不確実性の推定を実証する。
論文 参考訳（メタデータ） (2024-03-12T13:59:23Z) - Surrogate Modeling for Computationally Expensive Simulations of
Supernovae in High-Resolution Galaxy Simulations [0.7927502566022343]
我々は,超新星が周囲のガスに与える影響を予測するため,機械学習とギブスサンプリングを組み合わせた手法を開発した。
本手法は、SNサブグリッドモデルを置き換えることができ、銀河形成シミュレーションにおいて未解決SNフィードバックを適切にシミュレートするのに役立つ。
論文 参考訳（メタデータ） (2023-11-14T19:00:03Z) - SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。
FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
論文 参考訳（メタデータ） (2023-10-03T19:24:24Z) - NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。
メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文 参考訳（メタデータ） (2023-08-24T17:59:54Z) - 3D-Spatiotemporal Forecasting the Expansion of Supernova Shells Using
Deep Learning toward High-Resolution Galaxy Simulations [0.0]
超新星(SNe)の短い統合タイムステップは、高分解能銀河シミュレーションにおいて深刻なボトルネックとなっている。
SN爆発後の殻膨張を予測するための深層学習モデルである3D-MIMを開発した。
論文 参考訳（メタデータ） (2023-01-31T19:00:32Z) - 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) - 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) - Autoencoder-driven Spiral Representation Learning for Gravitational Wave
Surrogate Modelling [47.081318079190595]
オートエンコーダを用いた経験的係数における基礎構造の存在について検討する。
ニューラルネットワークの第一層として使用される学習可能なパラメータを持つスパイラルモジュールを設計し,入力空間を係数にマッピングする方法を学習する。
スパイラルモジュールは複数のニューラルネットワークアーキテクチャ上で評価され、ベースラインモデルよりも一貫して速度-精度のトレードオフを実現している。
論文 参考訳（メタデータ） (2021-07-09T09:03:08Z) - Fast and Accurate Non-Linear Predictions of Universes with Deep Learning [21.218297581239664]
我々は、高速線形予測を数値シミュレーションから完全に非線形な予測に変換するV-Netベースのモデルを構築した。
我々のNNモデルはシミュレーションを小さなスケールにエミュレートすることを学び、現在の最先端の近似手法よりも高速かつ高精度である。
論文 参考訳（メタデータ） (2020-12-01T03:30:37Z)
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。