論文の概要: Deep learning insights into cosmological structure formation

• arxiv url: http://arxiv.org/abs/2011.10577v2
• Date: Mon, 25 Oct 2021 09:01:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-23 05:41:49.549825
• Title: Deep learning insights into cosmological structure formation
• Title（参考訳）: 宇宙構造形成における深層学習の洞察
• Authors: Luisa Lucie-Smith, Hiranya V. Peiris, Andrew Pontzen, Brian Nord, Jeyan Thiyagalingam
• Abstract要約: ダークマターのハロスと初期条件の非線形関係を学習するためのディープラーニングフレームワークを構築した。 我々は学習したマッピングを物理的に解釈する手法を開発した。 以上の結果から,深層学習フレームワークは,宇宙構造形成の物理的洞察を抽出するための強力なツールとなることが示唆された。
• 参考スコア（独自算出の注目度）: 1.817240396595543
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While the evolution of linear initial conditions present in the early universe into extended halos of dark matter at late times can be computed using cosmological simulations, a theoretical understanding of this complex process remains elusive. Here, we build a deep learning framework to learn this non-linear relationship, and develop techniques to physically interpret the learnt mapping. A three-dimensional convolutional neural network (CNN) is trained to predict the mass of dark matter halos from the initial conditions. N-body simulations follow the microphysical laws of gravity, whereas the CNN model provides a simplified description of halo collapse where features are extracted from the initial conditions through convolutions and combined in a non-linear way to provide a halo mass prediction. We find no significant change in the predictive accuracy of the model if we retrain it removing anisotropic information from the inputs, suggesting that the features learnt by the CNN are equivalent to spherical averages over the initial conditions. Despite including all possible feature combinations that can be extracted by convolutions in the model, the final halo mass predictions do not depend on anisotropic aspects of the initial conditions. Our results indicate that deep learning frameworks can provide a powerful tool for extracting physical insight into cosmological structure formation.
• Abstract（参考訳）: 初期の宇宙に存在する線形初期状態から後期の暗黒物質の拡張ハロゲンへの進化は宇宙論的シミュレーションを用いて計算できるが、この複雑な過程の理論的な理解はいまだに解明されていない。 ここでは,この非線形関係を学習するための深層学習フレームワークを構築し,学習マッピングを物理的に解釈する手法を開発する。 3次元畳み込みニューラルネットワーク(CNN)は、初期状態から暗黒物質ハロの質量を予測するために訓練される。 n-ボディシミュレーションは重力のミクロ物理法則に従うが、cnnモデルはハロ崩壊の簡単な説明を提供しており、そこではコンボリューションを通じて初期条件から特徴を抽出し、非線形に組み合わせてハロ質量予測を提供する。 入力から異方性情報を取り除いた場合,モデルの予測精度に有意な変化は見られず,CNNが学習した特徴が初期条件における球面平均値に等しいことが示唆された。 モデル内の畳み込みによって抽出できる全ての可能な特徴の組み合わせを含むにもかかわらず、最終的なハロ質量予測は初期条件の異方性的な側面に依存しない。 以上の結果から,深層学習フレームワークは,宇宙構造形成の物理的洞察を抽出できる強力なツールであることが示唆された。

関連論文リスト

• Emergence of phantom cold dark matter from spacetime diffusion [0.0]
  幾何学を定量化せずに一般相対性理論と場の量子論を整合させる方法は、計量を進化的に要求することである。 我々はその決定論的値から逸脱し、幻の冷たい暗黒物質(CDM)を発生させる空間計量の進化結果を見出した。 この幻の冷暗黒物質のエネルギー密度は平均的に正であり、CDMの宇宙現象を再現するために必要な条件である。
  論文  参考訳（メタデータ） (2024-07-18T18:00:02Z)
• Black hole complementarity from microstate models: A study of information replication and the encoding in the black hole interior [2.6004029282087306]
  我々は、ブラックホールの相補性原理が、局所的な半古典的近似の中で量子重力力学からどのように現れるかを研究する。 入力情報の複製の鍵は、様々な自由度を分離することにある。
  論文  参考訳（メタデータ） (2023-07-10T18:00:08Z)
• Explaining dark matter halo density profiles with neural networks [0.0]
  説明可能なニューラルネットワークを用いて、暗黒物質ハロの進化史と密度プロファイルを結びつける。 この結果は、複雑な天体物理学データセットにおける機械による科学的発見の可能性を示している。
  論文  参考訳（メタデータ） (2023-05-04T18:00:01Z)
• The maximum refractive index of an atomic crystal $\unicode{x2013}$ from quantum optics to quantum chemistry [52.77024349608834]
  原子密度関数としての原子配列の順序付けの指数について検討する。 量子光学では、理想的な光-物質相互作用が単一モードの性質を持つことを示す。 量子化学の開始時に、2つの物理機構が非弾性または空間的多モード光散乱過程を開封する方法を示す。
  論文  参考訳（メタデータ） (2023-03-20T10:29:12Z)
• Insights into the origin of halo mass profiles from machine learning [0.0]
  我々は、解釈可能な機械学習フレームワークを使用して、暗黒物質ハローの球面平均質量プロファイルの起源に関する物理的な洞察を提供する。 我々は,クラスタサイズのハローの最終質量プロファイルを予測するために,勾配ブースト木アルゴリズムを訓練する。
  論文  参考訳（メタデータ） (2022-05-09T18:00:00Z)
• Time-inhomogeneous diffusion geometry and topology [69.55228523791897]
  拡散凝縮(英: Diffusion condensation)は、各ステップが最初に計算し、そのデータに拡散演算子を適用する時間不均質な過程である。 我々はこの過程の収束と進化を幾何学的、スペクトル的、位相的観点から理論的に分析する。 我々の研究は拡散凝縮の収束に関する理論的洞察を与え、トポロジカルデータ解析と幾何学的データ解析のリンクを提供することを示している。
  論文  参考訳（メタデータ） (2022-03-28T16:06:17Z)
• 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)
• Classification algorithms applied to structure formation simulations [0.0]
  ランダムフォレスト分類アルゴリズムを用いて、暗黒物質粒子が初期状態まで遡ると、質量がしきい値を超える暗黒物質ハロスになるかどうかを推定する。 この結果から,無作為林は,全プロセスを実行することなく,宇宙シミュレーションの出力を予測するのに有用なツールであることが示唆された。
  論文  参考訳（メタデータ） (2021-06-11T19:24:47Z)
• Hierarchical nucleation in deep neural networks [67.85373725288136]
  我々は,いくつかの最先端DCNにおいて,隠れた層にまたがるImageNetデータセットの確率密度の進化について検討した。 初期層は, 分類に無関係な構造を排除し, 一様確率密度を生成する。 その後の層では、密度ピークは階層的な方法で発生し、概念のセマンティック階層を反映する。
  論文  参考訳（メタデータ） (2020-07-07T14:42:18Z)
• Maximum refractive index of an atomic medium [58.720142291102135]
  正の屈折率を持つすべての光学材料は、順序ユニティの指数の値を持つ。 孤立した原子の巨大な反応にもかかわらず、最大指数は密度の増大とともに無限に大きくなることはない。 本稿では,強い不規則再正規化群理論に基づく説明を提案する。
  論文  参考訳（メタデータ） (2020-06-02T14:57:36Z)
• Probing chiral edge dynamics and bulk topology of a synthetic Hall system [52.77024349608834]
  量子ホール系は、基礎となる量子状態の位相構造に根ざしたバルク特性であるホール伝導の量子化によって特徴づけられる。 ここでは, 超低温のジスプロシウム原子を用いた量子ホール系を, 空間次元の2次元形状で実現した。 磁気サブレベルが多数存在すると、バルクおよびエッジの挙動が異なることが示される。
  論文  参考訳（メタデータ） (2020-01-06T16:59:08Z)

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。