論文の概要: Learning the Evolution of the Universe in N-body Simulations

• arxiv url: http://arxiv.org/abs/2012.05472v1
• Date: Thu, 10 Dec 2020 06:27:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-15 06:10:46.331480
• Title: Learning the Evolution of the Universe in N-body Simulations
• Title（参考訳）: N体シミュレーションにおける宇宙の進化の学習
• Authors: Chang Chen, Yin Li, Francisco Villaescusa-Navarro, Shirley Ho, Anthony Pullen
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 27.935462625522575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Understanding the physics of large cosmological surveys down to small (nonlinear) scales will significantly improve our knowledge of the Universe. Large N-body simulations have been built to obtain predictions in the non-linear regime. However, N-body simulations are computationally expensive and generate large amount of data, putting burdens on storage. These data are snapshots of the simulated Universe at different times, and fine sampling is necessary to accurately save its whole history. We employ a deep neural network model to predict the nonlinear N-body simulation at an intermediate time step given two widely separated snapshots. Our results outperform the cubic Hermite interpolation benchmark method in interpolating N-body simulations. This work can greatly reduce the storage requirement and allow us to reconstruct the cosmic history from far fewer snapshots of the universe.
• Abstract（参考訳）: 大規模な宇宙探査の物理を小さな(非線形)スケールまで理解すれば、宇宙に関する我々の知識が大幅に向上する。 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。 しかし、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。 これらのデータは、異なる時刻にシミュレーションされた宇宙のスナップショットであり、正確な履歴を保存するには、精密なサンプリングが必要である。 2つの広範囲なスナップショットから中間時間段階における非線形n体シミュレーションを予測するために,ディープニューラルネットワークモデルを用いた。 この結果は,N体シミュレーションにおいて,立方体ヘルミット補間ベンチマーク法より優れている。 この研究は、ストレージ要件を大幅に削減し、宇宙のスナップショットから宇宙の歴史を再構築することができる。

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)
• Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
  我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。 我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。 本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2024-06-06T07:34:58Z)
• 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)
• 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)
• Continual learning autoencoder training for a particle-in-cell simulation via streaming [52.77024349608834]
  今後のエクサスケール時代は 次世代の物理シミュレーションを 高解像度で提供します これらのシミュレーションは高解像度であり、ディスク上に大量のシミュレーションデータを格納することはほぼ不可能であるため、機械学習モデルのトレーニングに影響を与える。 この研究は、ディスク上のデータなしで、実行中のシミュレーションにニューラルネットワークを同時にトレーニングするアプローチを示す。
  論文  参考訳（メタデータ） (2022-11-09T09:55:14Z)
• Simulation-Based Parallel Training [55.41644538483948]
  このようなボトルネックを緩和するトレーニングフレームワークを設計するために、現在進行中の作業を紹介します。 トレーニングプロセスと並行してデータを生成する。 このバイアスをメモリバッファで軽減する戦略を提案する。
  論文  参考訳（メタデータ） (2022-11-08T09:31:25Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• Constraining cosmological parameters from N-body simulations with Bayesian Neural Networks [0.0]
  我々は、ベイジアンニューラルネットワークを通して宇宙パラメータを抽出するために、The Quijoteシミュレーションを使用する。 この種のモデルには、関連する不確実性を推定する顕著な能力があり、これは精密宇宙論の時代における最終的な目標の1つである。
  論文  参考訳（メタデータ） (2021-12-22T13:22:30Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• 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)
• 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。