論文の概要: Estimating galaxy masses from kinematics of globular cluster systems: a
new method based on deep learning
- arxiv url: http://arxiv.org/abs/2102.00277v1
- Date: Sat, 30 Jan 2021 17:56:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 21:26:28.969615
- Title: Estimating galaxy masses from kinematics of globular cluster systems: a
new method based on deep learning
- Title（参考訳）: 球状星団系の運動学から銀河質量を推定する:深層学習に基づく新しい方法
- Authors: Rajvir Kaur, Kenji Bekki, Ghulam Mubashar Hassan, Amitava Datta
- Abstract要約: 球状星団系(GCS)の運動学から暗黒物質を含む銀河の総質量を推定できる新しい手法を提案する。
我々は、円盤と楕円銀河の数値シミュレーションから予測されるGCSの2次元の直線速度(V$)と速度分散(Sigma$)に畳み込みニューラルネットワーク(CNN)を適用した。
1チャンネルデータと2チャンネルデータの総合的精度はそれぞれ97.6%と97.8%であり、これは新しい手法が有望であることを示唆している。
- 参考スコア（独自算出の注目度）: 7.512896457568841
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We present a new method by which the total masses of galaxies including dark
matter can be estimated from the kinematics of their globular cluster systems
(GCSs). In the proposed method, we apply the convolutional neural networks
(CNNs) to the two-dimensional (2D) maps of line-of-sight-velocities ($V$) and
velocity dispersions ($\sigma$) of GCSs predicted from numerical simulations of
disk and elliptical galaxies. In this method, we first train the CNN using
either only a larger number ($\sim 200,000$) of the synthesized 2D maps of
$\sigma$ ("one-channel") or those of both $\sigma$ and $V$ ("two-channel").
Then we use the CNN to predict the total masses of galaxies (i.e., test the
CNN) for the totally unknown dataset that is not used in training the CNN. The
principal results show that overall accuracy for one-channel and two-channel
data is 97.6\% and 97.8\% respectively, which suggests that the new method is
promising. The mean absolute errors (MAEs) for one-channel and two-channel data
are 0.288 and 0.275 respectively, and the value of root mean square errors
(RMSEs) are 0.539 and 0.51 for one-channel and two-channel respectively. These
smaller MAEs and RMSEs for two-channel data (i.e., better performance) suggest
that the new method can properly consider the global rotation of GCSs in the
mass estimation. We stress that the prediction accuracy in the new mass
estimation method not only depends on the architectures of CNNs but also can be
affected by the introduction of noise in the synthesized images.
- Abstract（参考訳）: 本稿では,暗黒物質を含む銀河の総質量を球状星団系(gcss)の運動量から推定する新しい方法を提案する。
提案手法では,畳み込みニューラルネットワーク(cnns)を,円板銀河と楕円銀河の数値シミュレーションにより予測されたgcsの線速度(v$)と速度分散(\sigma$)の二次元(2d)マップに適用する。
この方法では、まず、合成された2Dマップの$\sigma$("1チャネル")、または$\sigma$("2チャネル")の$\sigma$と$V$("2チャネル")の2Dマップの大きい数("\sim 200,000$")でCNNを訓練する。
次に、CNNを使用して、CNNの訓練に使用されていない完全に未知のデータセットについて、銀河の総質量(CNNのテスト)を予測します。
その結果, 1チャネルデータと2チャネルデータの総合的精度は97.6\%, 97.8\%であり, 新手法が期待できることが示唆された。
1チャンネルデータの平均絶対誤差(MAEs)はそれぞれ0.288と0.275であり、根平均二乗誤差(RMSEs)の値は1チャンネルと2チャンネルそれぞれ0.539と0.51である。
これらの2チャネルデータに対するより小さなmaesとrmses(すなわち、より良い性能)は、新しい手法が質量推定におけるgcsのグローバル回転を適切に考慮できることを示唆している。
我々は,新しい質量推定法における予測精度がcnnのアーキテクチャに依存するだけでなく,合成画像にノイズを導入することによっても影響を受けることを強調する。
関連論文リスト
- On the rates of convergence for learning with convolutional neural networks [9.772773527230134]
畳み込みニューラルネットワーク(CNN)の1側ゼロパディングと複数のチャネルによる近似と学習能力について検討した。
多くの学習問題におけるCNNに基づく推定器の収束率を導出する。
また、得られた分類率は、いくつかの一般的な設定において極小であることも示している。
論文 参考訳（メタデータ） (2024-03-25T06:42:02Z) - E(2) Equivariant Neural Networks for Robust Galaxy Morphology
Classification [0.0]
我々は、Galaxy10 DECalsデータセット上で$E(2)$の離散サブグループに同値なGCNNを訓練し、検証し、テストする。
D_16$に同値なアーキテクチャは、テストセットの精度が9,5.52 pm 0.18%である。
全てのGCNNは、同一に構築されたCNNよりも1ピクセルの摂動の影響を受けにくい。
論文 参考訳（メタデータ） (2023-11-02T18:00:02Z) - INK: Injecting kNN Knowledge in Nearest Neighbor Machine Translation [57.952478914459164]
kNN-MTは、推論中に隣接する表現に基づいて予測を円滑にするための効果的なパラダイムを提供する。
我々は,kNN近傍の表現を少数の新しいパラメータで調整することで,表現空間を円滑にするための効果的なトレーニングフレームワークINKを提案する。
4つのベンチマークデータセットでの実験では、メソッドは1.99 COMETと1.0 BLEUの平均ゲインを達成し、0.02倍のメモリ空間と1.9倍の推論速度を持つ最先端のkNN-MTシステムより優れていた。
論文 参考訳（メタデータ） (2023-06-10T08:39:16Z) - 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) - Bounding the Width of Neural Networks via Coupled Initialization -- A
Worst Case Analysis [121.9821494461427]
2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。
また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
論文 参考訳（メタデータ） (2022-06-26T06:51:31Z) - Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。
テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文 参考訳（メタデータ） (2022-06-17T04:07:45Z) - DeepSZ: Identification of Sunyaev-Zel'dovich Galaxy Clusters using Deep
Learning [5.295349225662439]
Sunyaev Zel'dovich(SZ)効果から同定された銀河クラスターは、マルチ波長クラスターベースの宇宙論において重要な要素である。
本稿では、SZクラスタ探索における標準マッチングフィルタ(MF)法と畳み込みニューラルネットワーク(CNN)を用いた手法の2つのクラスタ同定法の比較について述べる。
論文 参考訳（メタデータ） (2021-02-25T19:01:00Z) - 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) - DeepMerge: Classifying High-redshift Merging Galaxies with Deep Neural
Networks [0.0]
シミュレーション画像において、融合銀河と非融合銀河を区別する作業に畳み込みニューラルネットワーク(CNN)を用いることを示す。
我々は、Illustris-1の宇宙シミュレーションから、融合銀河と非融合銀河の画像を抽出し、観測および実験的ノイズを適用した。
CNNのテストセットの分類精度は、プリスタンが79%、ノイズが76%である。
論文 参考訳（メタデータ） (2020-04-24T20:36:06Z) - Approximation and Non-parametric Estimation of ResNet-type Convolutional
Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。
Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文 参考訳（メタデータ） (2019-03-24T19:42:39Z)
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。