論文の概要: Fast and Accurate Non-Linear Predictions of Universes with Deep Learning
- arxiv url: http://arxiv.org/abs/2012.00240v1
- Date: Tue, 1 Dec 2020 03:30:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-01 08:14:25.971411
- Title: Fast and Accurate Non-Linear Predictions of Universes with Deep Learning
- Title（参考訳）: 深層学習による宇宙の高速かつ高精度な非線形予測
- Authors: Renan Alves de Oliveira, Yin Li, Francisco Villaescusa-Navarro,
Shirley Ho, David N. Spergel
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 21.218297581239664
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cosmologists aim to model the evolution of initially low amplitude Gaussian
density fluctuations into the highly non-linear "cosmic web" of galaxies and
clusters. They aim to compare simulations of this structure formation process
with observations of large-scale structure traced by galaxies and infer the
properties of the dark energy and dark matter that make up 95% of the universe.
These ensembles of simulations of billions of galaxies are computationally
demanding, so that more efficient approaches to tracing the non-linear growth
of structure are needed. We build a V-Net based model that transforms fast
linear predictions into fully nonlinear predictions from numerical simulations.
Our NN model learns to emulate the simulations down to small scales and is both
faster and more accurate than the current state-of-the-art approximate methods.
It also achieves comparable accuracy when tested on universes of significantly
different cosmological parameters from the one used in training. This suggests
that our model generalizes well beyond our training set.
- Abstract（参考訳）: 宇宙学者は、最初は低振幅のガウス密度変動を銀河や星団の非線型な「宇宙のウェブ」へとモデル化することを目指している。
彼らは、この構造形成過程のシミュレーションと、銀河が追跡する大規模構造の観測を比較し、宇宙の95%を占める暗黒エネルギーと暗黒物質の性質を推測することを目的としている。
数十億の銀河のシミュレーションのこれらのアンサンブルは計算上必要であり、構造の非線形成長を追跡するためのより効率的なアプローチが必要である。
数値シミュレーションから高速線形予測を完全非線形予測に変換するv-netモデルを構築する。
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。
また、宇宙論的なパラメータが訓練で使われたものとは大きく異なる宇宙でテストすると、同等の精度が得られる。
これは、我々のモデルはトレーニングセットを超えて非常に一般化していることを示唆している。
関連論文リスト
- 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$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
論文 参考訳（メタデータ） (2024-09-13T18:00:06Z) - A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-01-26T09:35:17Z) - 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) - Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with
Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。
従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文 参考訳（メタデータ） (2022-07-07T17:55:26Z) - Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。
近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。
我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文 参考訳（メタデータ） (2022-06-27T13:46:51Z) - 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) - 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) - Multi-Output Random Forest Regression to Emulate the Earliest Stages of
Planet Formation [0.1657441317977376]
我々は、より高速に近似するシステムを設計するために、機械学習のアプローチを取ります。
ブリュート力シミュレーションデータに基づく多出力ランダムフォレスト回帰モデルを開発した。
その結果,ランダムフォレストモデルがブルト力シミュレーション結果に対して高精度な予測を生成できることが示唆された。
論文 参考訳（メタデータ） (2021-04-26T19:51:40Z) - Learning the Evolution of the Universe in N-body Simulations [27.935462625522575]
非線型状態の予測を得るために、大規模なN体シミュレーションが構築されている。
n体シミュレーションは計算コストが高く、大量のデータを生成し、ストレージに負担をかける。
非線形n体シミュレーションを中間時間ステップで予測するために,ディープニューラルネットワークモデルを用いる。
論文 参考訳（メタデータ） (2020-12-10T06:27:12Z) - 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) - Learning neutrino effects in Cosmology with Convolutional Neural
Networks [1.1151500945305677]
ニュートリノのない標準的な$Lambda$CDMシミュレーションから大量のニュートリノを用いたシミュレーションを生成する新しい手法を提案する。
提案手法により,従来の手法の1万倍の速さで大規模なニュートリノシミュレーションを生成できる。
論文 参考訳（メタデータ） (2019-10-09T21:04:33Z)
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。