論文の概要: Deep learning insights into cosmological structure formation
- arxiv url: http://arxiv.org/abs/2011.10577v3
- Date: Fri, 1 Mar 2024 11:17:17 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-05 21:28:18.189549
- 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: 我々は,暗黒物質ハロの最終質量の確立において,初期条件における異方性情報の役割を研究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。
異方性は, 最終ハロ質量に関する密度場の球面平均内に含まれる情報に対して, 統計的に有意な量の情報を与える。
- 参考スコア（独自算出の注目度）: 1.6351557933652356
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 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. However, a theoretical understanding of this complex process
remains elusive; in particular, the role of anisotropic information in the
initial conditions in establishing the final mass of dark matter halos remains
a long-standing puzzle. Here, we build a deep learning framework to investigate
this question. We train a three-dimensional convolutional neural network (CNN)
to predict the mass of dark matter halos from the initial conditions, and
quantify in full generality the amounts of information in the isotropic and
anisotropic aspects of the initial density field about final halo masses. We
find that anisotropies add a small, albeit statistically significant amount of
information over that contained within spherical averages of the density field
about final halo mass. However, the overall scatter in the final mass
predictions does not change qualitatively with this additional information,
only decreasing from 0.9 dex to 0.7 dex. Given such a small improvement, our
results demonstrate that isotropic aspects of the initial density field
essentially saturate the relevant information about final halo mass. Therefore,
instead of searching for information directly encoded in initial conditions
anisotropies, a more promising route to accurate, fast halo mass predictions is
to add approximate dynamical information based e.g. on perturbation theory.
More broadly, 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条件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。
しかし、この複雑な過程の理論的理解はいまだに解明されておらず、特に、暗黒物質ハローの最終質量の確立における初期条件における異方性情報の役割は、長年の謎のままである。
ここでは,この問題を調査するための深層学習フレームワークを構築する。
本研究では,3次元畳み込みニューラルネットワーク(cnn)を訓練し,初期条件から暗黒物質ハロゲンの質量を予測し,最終ハロ質量に関する初期密度場の等方的・異方的側面の情報量を全一般的に定量化する。
異方性は, 最終ハロ質量に関する密度場の球面平均内に含まれる情報に対して, 統計的に有意な量の情報を与える。
しかし、最終的な質量予測における全体の散乱は、この追加情報によって定性的に変化せず、0.9 dexから0.7 dexへと減少する。
このような小さな改良が得られた結果,初期密度場の等方的側面は基本的に最終ハロ質量に関する関連情報を飽和させることがわかった。
したがって、初期条件で直接エンコードされた情報を探す代わりに、より正確なハロ質量予測へのより有望なルートは、摂動理論に基づく近似力学情報を追加することである。
より広義には、深層学習フレームワークは、宇宙の構造形成に物理的洞察を抽出できる強力なツールとなることを示唆する。
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。