論文の概要: AI-assisted super-resolution cosmological simulations II: Halo
substructures, velocities and higher order statistics
- arxiv url: http://arxiv.org/abs/2105.01016v1
- Date: Mon, 3 May 2021 17:08:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-05 12:46:41.794857
- Title: AI-assisted super-resolution cosmological simulations II: Halo
substructures, velocities and higher order statistics
- Title（参考訳）: AI支援超解像宇宙学シミュレーションII:ハロ部分構造,速度,高次統計
- Authors: Yueying Ni, Yin Li, Patrick Lachance, Rupert A. C. Croft, Tiziana Di
Matteo, Simeon Bird, Yu Feng
- Abstract要約: 超解像(SR)モデルは、全位相空間の物質分布の高分解能(HR)実現を生成する。
ボックスサイズ100Mpc/hの10のテストシミュレーションでモデルを展開し、SRモデルを検証します。
生成されたSRフィールドは、K 10 h/Mpcのスケールにパーセントレベルで真のHR結果と一致します。
- 参考スコア（独自算出の注目度）: 17.79842815799932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this work, we expand and test the capabilities of our recently developed
super-resolution (SR) model to generate high-resolution (HR) realizations of
the full phase-space matter distribution, including both displacement and
velocity, from computationally cheap low-resolution (LR) cosmological N-body
simulations. The SR model enhances the simulation resolution by generating 512
times more tracer particles, extending into the deeply non-linear regime where
complex structure formation processes take place. We validate the SR model by
deploying the model in 10 test simulations of box size 100 Mpc/h, and examine
the matter power spectra, bispectra and 2D power spectra in redshift space. We
find the generated SR field matches the true HR result at percent level down to
scales of k ~ 10 h/Mpc. We also identify and inspect dark matter halos and
their substructures. Our SR model generate visually authentic small-scale
structures, that cannot be resolved by the LR input, and are in good
statistical agreement with the real HR results. The SR model performs
satisfactorily on the halo occupation distribution, halo correlations in both
real and redshift space, and the pairwise velocity distribution, matching the
HR results with comparable scatter, thus demonstrating its potential in making
mock halo catalogs. The SR technique can be a powerful and promising tool for
modelling small-scale galaxy formation physics in large cosmological volumes.
- Abstract（参考訳）: 本研究では,最近開発された超高分解能(SR)モデルの能力を拡張し,計算コストの低い低分解能(LR)宇宙論的N体シミュレーションから全位相空間の物質分布を高分解能(HR)で実現した。
SRモデルは512倍のトレーサー粒子を生成し、複雑な構造形成過程が起こる深い非線形状態に拡張することで、シミュレーションの解決を強化する。
箱サイズ100mpc/hの10実験シミュレーションでsrモデルをデプロイしてsrモデルを検証し,赤方偏移空間における物質パワースペクトル,バイスペクトル,および2次元パワースペクトルについて検討した。
生成したSR場は真のHR結果と一致し、k ~ 10 h/Mpc のスケールとなる。
また、暗黒物質ハロとそのサブ構造を同定・検査する。
我々のSRモデルは、LR入力では解決できず、実際のHR結果と統計的によく一致しない、視覚的に真の小型構造を生成する。
SRモデルは、実空間と赤方偏移空間におけるハロの占有分布、および対流速度分布に満足に作用し、HR結果と同等な散乱とを一致させ、モックハロカタログを作成する可能性を示す。
sr技術は、大きな宇宙ボリュームで小さな銀河形成物理学をモデル化するための強力で有望なツールである。
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) - Empowering Snapshot Compressive Imaging: Spatial-Spectral State Space Model with Across-Scanning and Local Enhancement [51.557804095896174]
AsLE-SSMという,グローバルな局所的バランスの取れたコンテキストエンコーディングとチャネル間相互作用の促進に空間スペクトルSSMを用いる状態空間モデルを導入する。
実験の結果,ASLE-SSMは既存の最先端手法よりも優れており,推定速度はTransformerベースのMSTより2.4倍速く,パラメータの0.12(M)を節約できることがわかった。
論文 参考訳（メタデータ） (2024-08-01T15:14:10Z) - Frequency-Assisted Mamba for Remote Sensing Image Super-Resolution [49.902047563260496]
我々は、リモートセンシング画像(RSI)の超高解像度化のために、視覚状態空間モデル(Mamba)を統合するための最初の試みを開発した。
より優れたSR再構築を実現するため,FMSRと呼ばれる周波数支援型Mambaフレームワークを考案した。
我々のFMSRは、周波数選択モジュール(FSM)、ビジョン状態空間モジュール(VSSM)、ハイブリッドゲートモジュール(HGM)を備えた多層融合アーキテクチャを備えている。
論文 参考訳（メタデータ） (2024-05-08T11:09:24Z) - Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。
我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。
提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
論文 参考訳（メタデータ） (2024-02-04T09:07:28Z) - Stochastic Super-resolution of Cosmological Simulations with Denoising Diffusion Models [3.2771631221674333]
超解宇宙大規模構造予測のための強力な生成モデルとして,デノナイジング拡散モデルを導入する。
我々は,提案モデルが高解像度画像とパワースペクトルをパーセンテージレベルで一貫するだけでなく,与えられた低解像度シミュレーションと整合した小型特徴の多様性を再現できることを実証した。
論文 参考訳（メタデータ） (2023-10-10T18:32:11Z) - Solving Diffusion ODEs with Optimal Boundary Conditions for Better Image Super-Resolution [82.50210340928173]
拡散モデルのランダム性は非効率性と不安定性をもたらすため、SR結果の品質を保証することは困難である。
本稿では,一連の拡散型SR手法の恩恵を受ける可能性を持つプラグアンドプレイサンプリング手法を提案する。
提案手法によりサンプリングされたSR結果の質は, 学習前の拡散ベースSRモデルと同一のランダム性を有する現在の手法でサンプリングされた結果の質より優れる。
論文 参考訳（メタデータ） (2023-05-24T17:09:54Z) - Hybrid Physical-Neural ODEs for Fast N-body Simulations [0.22419496088582863]
我々は、宇宙論的N体シミュレーションのためのParticle-Meshスキームから生じる小規模近似を補正する新しいスキームを提案する。
提案手法は相互相関係数においてPGDよりも優れており,シミュレーション設定の変化に対してより堅牢であることがわかった。
論文 参考訳（メタデータ） (2022-07-12T13:06:06Z) - 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) - A Latent Encoder Coupled Generative Adversarial Network (LE-GAN) for
Efficient Hyperspectral Image Super-resolution [3.1023808510465627]
GAN(Generative Adversarial Network)は画像超解像のための効果的なディープラーニングフレームワークであることが証明されている。
モード崩壊の問題を緩和するため,本研究では,潜在エンコーダ(LE-GAN)と組み合わせた新しいGANモデルを提案する。
LE-GANは、生成したスペクトル空間の特徴を画像空間から潜在空間にマッピングし、生成したサンプルを正規化するための結合成分を生成する。
論文 参考訳（メタデータ） (2021-11-16T18:40:19Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。
また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
論文 参考訳（メタデータ） (2021-10-11T18:00:02Z) - AI-assisted super-resolution cosmological simulations [9.59904742274332]
我々は、高分解能(HR)画像データから学習し、異なる低分解能(LR)画像の高精度超解像(SR)バージョンを作成するニューラルネットワークを開発した。
我々は, 512倍の粒子を生成し, 初期位置からの変位を予測することにより, シミュレーションの精度を向上させることができる。
我々のモデルは16対の小容量LR-HRシミュレーションから学習し、その結果、HR物質パワースペクトルを最大16,h-1mathrmMpc$、HRハロ質量関数を10ドル以内で再現するSRシミュレーションを生成することができる。
論文 参考訳（メタデータ） (2020-10-13T18:04:24Z)
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。