論文の概要: Large-Scale Gravitational Lens Modeling with Bayesian Neural Networks
for Accurate and Precise Inference of the Hubble Constant
- arxiv url: http://arxiv.org/abs/2012.00042v2
- Date: Mon, 12 Apr 2021 00:01:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-06 21:07:54.183254
- Title: Large-Scale Gravitational Lens Modeling with Bayesian Neural Networks
for Accurate and Precise Inference of the Hubble Constant
- Title（参考訳）: ベイズニューラルネットワークによるハッブル定数の高精度・高精度推定のための大規模重力レンズモデリング
- Authors: Ji Won Park, Sebastian Wagner-Carena, Simon Birrer, Philip J.
Marshall, Joshua Yao-Yu Lin, Aaron Roodman (for the LSST Dark Energy Science
Collaboration)
- Abstract要約: 我々は、数百の時間遅延重力レンズのモデリングにおける近似ベイズニューラルネットワーク(BNN)の使用について検討する。
200個のテストセットレンズの組み合わせで0.5$textrmkm s-1 textrm Mpc-1$$0.7%$の精度が得られる。
私たちのパイプラインは、レンズモデリングにおけるアンサンブルレベルの体系を探索するための有望なツールです。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We investigate the use of approximate Bayesian neural networks (BNNs) in
modeling hundreds of time-delay gravitational lenses for Hubble constant
($H_0$) determination. Our BNN was trained on synthetic HST-quality images of
strongly lensed active galactic nuclei (AGN) with lens galaxy light included.
The BNN can accurately characterize the posterior PDFs of model parameters
governing the elliptical power-law mass profile in an external shear field. We
then propagate the BNN-inferred posterior PDFs into ensemble $H_0$ inference,
using simulated time delay measurements from a plausible dedicated monitoring
campaign. Assuming well-measured time delays and a reasonable set of priors on
the environment of the lens, we achieve a median precision of $9.3$\% per lens
in the inferred $H_0$. A simple combination of 200 test-set lenses results in a
precision of 0.5 $\textrm{km s}^{-1} \textrm{ Mpc}^{-1}$ ($0.7\%$), with no
detectable bias in this $H_0$ recovery test. The computation time for the
entire pipeline -- including the training set generation, BNN training, and
$H_0$ inference -- translates to 9 minutes per lens on average for 200 lenses
and converges to 6 minutes per lens as the sample size is increased. Being
fully automated and efficient, our pipeline is a promising tool for exploring
ensemble-level systematics in lens modeling for $H_0$ inference.
- Abstract（参考訳）: 我々は、ハッブル定数(H_0$)決定のための数百の時間遅延重力レンズのモデリングにおける近似ベイズニューラルネットワーク(BNN)の使用について検討する。
我々のBNNは、レンズ銀河光を含む強いレンズ付き活動銀河核(AGN)の合成HST品質の画像について訓練した。
BNNは、外せん断場の楕円形パワーロー質量プロファイルを管理するモデルパラメータの後方PDFを正確に特徴付けることができる。
次に,bnnが推定した後方pdfをh_0$推論に展開し,再現可能な専用の監視キャンペーンによる時間遅延測定をシミュレーションした。
適切に測定された時間遅延とレンズの環境に対する適切な事前セットを仮定すると、推定された$H_0$においてレンズ毎の中央値の精度は9.3$\%となる。
200個のテストセットレンズの単純な組み合わせにより、0.5$\textrm{km s}^{-1} \textrm{mpc}^{-1}$ (0.7\%$) の精度が得られ、この$h_0$リカバリテストでは検出可能なバイアスがない。
トレーニングセット生成、BNNトレーニング、および$H_0$推論を含むパイプライン全体の計算時間は、200レンズの平均で1レンズあたり9分、サンプルサイズが大きくなるにつれて1レンズあたり6分に収束する。
完全に自動化され、効率的であるため、このパイプラインは$h_0$推論のためのレンズモデリングにおけるアンサンブルレベルのシステマティクスを探求するための有望なツールです。
関連論文リスト
- Streamlined Lensed Quasar Identification in Multiband Images via
Ensemble Networks [34.82692226532414]
強いレンズを経験するクエーサーは、宇宙膨張速度、暗黒物質、およびクエーサーホスト銀河に関連する主題に独自の視点を与える。
我々は,現実的な銀河・クエーサーレンズシミュレーションに基づいて訓練された最先端畳み込みネットワーク(CNN)を組み込むことにより,新しいアプローチを開発した。
我々は親標本として約6000万個の情報源を検索し、光度測定によるクエーサーを$theta_mathrmE5$arcsecのEinstein radiiで発見した後、これを892,609個に減らした。
論文 参考訳（メタデータ） (2023-07-03T15:09:10Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳（メタデータ） (2022-11-17T13:01:26Z) - Hierarchical Inference of the Lensing Convergence from Photometric
Catalogs with Bayesian Graph Neural Networks [0.0]
我々は銀河ギャラクシーレンズのスケールを$sim$1$''で変動させ、BGNNを訓練するためにランダムな視線を抽出する。
BGNNは、1000の視線からなる各テストセットに対して、個々の$kappa$aftersを推論し、階層的ベイズモデルで組み合わせる。
トレーニングセットでよくサンプリングされたテストフィールドに対して、BGNNは、正確にはバイアスなく、人口平均の$kappa$を回収する。
論文 参考訳（メタデータ） (2022-11-15T00:29:20Z) - A machine learning based approach to gravitational lens identification
with the International LOFAR Telescope [0.0]
干渉計データから銀河規模の重力レンズを検出する新しい機械学習手法を提案する。
いくつかの畳み込みニューラルネットワークを開発し、レンズ付きまたは非レンズ型事象に分類されるサンプルの確率と不確実性を決定する。
我々は、LOFAR Two Metre Sky Surveyに含まれる銀河規模の重力レンズシステムの大部分を発見することを期待している。
論文 参考訳（メタデータ） (2022-07-21T18:18:55Z) - Single-Shot Optical Neural Network [55.41644538483948]
深層ニューラルネットワークに必要な計算資源を削減するために,「重定常」アナログ光学・電子ハードウェアが提案されている。
我々は、スケーラブルで1層当たり単発の重み付き光学プロセッサを提案する。
論文 参考訳（メタデータ） (2022-05-18T17:49:49Z) - Accelerated Bayesian SED Modeling using Amortized Neural Posterior
Estimation [0.0]
Amortized Neural Posterior Estimation (ANPE) を用いた厳密なベイズ推定のための別のスケーラブルなアプローチを提案する。
ANPEは、ニューラルネットワークを用いて後続確率分布を推定するシミュレーションベースの推論手法である。
我々は,光測光による最近のHahn et al. (2022) SEDモデルの後部を生成可能なANPE法である$rm SEDflow$を提示し,公開している。
論文 参考訳（メタデータ） (2022-03-14T18:00:03Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳（メタデータ） (2020-11-24T22:51:08Z) - Hierarchical Inference With Bayesian Neural Networks: An Application to
Strong Gravitational Lensing [0.0]
我々は、非表現的トレーニングセットの中間で導入されたバイアスを緩和する階層的推論フレームワークを開発する。
何千ものレンズのトレーニングから階層的推論まで、私たちの完全なパイプラインは1日で実行できます。
論文 参考訳（メタデータ） (2020-10-26T18:00:00Z) - Deep learning for gravitational-wave data analysis: A resampling
white-box approach [62.997667081978825]
我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。
CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
論文 参考訳（メタデータ） (2020-09-09T03:28:57Z) - Exact posterior distributions of wide Bayesian neural networks [51.20413322972014]
正確なBNN後方収束は、前者のGP限界によって誘導されるものと(弱く)収束することを示す。
実験的な検証のために、リジェクションサンプリングにより、小さなデータセット上で有限BNNから正確なサンプルを生成する方法を示す。
論文 参考訳（メタデータ） (2020-06-18T13:57:04Z) - 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)
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。