論文の概要: Fast, high-fidelity Lyman $\alpha$ forests with convolutional neural
networks
- arxiv url: http://arxiv.org/abs/2106.12662v1
- Date: Wed, 23 Jun 2021 21:41:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-26 09:16:14.872288
- Title: Fast, high-fidelity Lyman $\alpha$ forests with convolutional neural
networks
- Title(参考訳): 畳み込みニューラルネットワークを用いた高速で忠実なlyman$\alpha$ forests
- Authors: Peter Harrington, Mustafa Mustafa, Max Dornfest, Benjamin Horowitz,
Zarija Luki\'c
- Abstract要約: 我々は、Lyman-$alpha$(Ly$alpha$)森林に関連するスケールでバリオン流体力学変数を再構成するために畳み込みニューラルネットワークを訓練する。
提案手法は,これらのフィールドを$sim$20kpcの解像度で迅速に推定することができ,Ly$alpha$ forestの統計を既存の近似よりもはるかに精度良く取得する。
- 参考スコア(独自算出の注目度): 1.0499611180329804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Full-physics cosmological simulations are powerful tools for studying the
formation and evolution of structure in the universe but require extreme
computational resources. Here, we train a convolutional neural network to use a
cheaper N-body-only simulation to reconstruct the baryon hydrodynamic variables
(density, temperature, and velocity) on scales relevant to the Lyman-$\alpha$
(Ly$\alpha$) forest, using data from Nyx simulations. We show that our method
enables rapid estimation of these fields at a resolution of $\sim$20kpc, and
captures the statistics of the Ly$\alpha$ forest with much greater accuracy
than existing approximations. Because our model is fully-convolutional, we can
train on smaller simulation boxes and deploy on much larger ones, enabling
substantial computational savings. Furthermore, as our method produces an
approximation for the hydrodynamic fields instead of Ly$\alpha$ flux directly,
it is not limited to a particular choice of ionizing background or mean
transmitted flux.
- Abstract(参考訳): フル物理宇宙学シミュレーションは宇宙の構造の形成と進化を研究する強力なツールであるが、極端な計算資源を必要とする。
そこで我々は,Nyxシミュレーションのデータを用いて,Lyman-$\alpha$(Ly$\alpha$)森林のバリオン流体力学変数(密度,温度,速度)を復元するために,より安価なN-body-onlyシミュレーションを使用するように畳み込みニューラルネットワークを訓練する。
本手法は20kpcの解像度でこれらのフィールドの迅速な推定を可能にし,既存の近似値よりもはるかに精度の高いly$\alpha$ forestの統計値を取得する。
私たちのモデルは完全なコンボリューションであるため、より小さなシミュレーションボックスでトレーニングし、より大きなモデルにデプロイすることが可能です。
さらに, この手法は, ly$\alpha$ flux ではなく, 流体力学場の近似を生成するので, 電離背景や平均透過流束の特定の選択に限定されない。
関連論文リスト
- SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
本稿では,3textD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルについて紹介する。
我々のモデルは、タンパク質の生成的モデリングに対するこれまでのアプローチに対して、いくつかの重要な利点を提供している。
論文 参考訳(メタデータ) (2023-10-03T19:24:24Z) - Speed Limits for Deep Learning [67.69149326107103]
熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。
線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。
NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
論文 参考訳(メタデータ) (2023-07-27T06:59:46Z) - Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。
本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。
特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
論文 参考訳(メタデータ) (2023-07-07T15:42:35Z) - Fast emulation of cosmological density fields based on dimensionality
reduction and supervised machine-learning [0.0]
簡単な機械学習手法を用いて,高速暗黒物質密度場エミュレーションを競合精度で実行可能であることを示す。
異なる宇宙パラメータに対する新しい密度立方体は、新しいN体シミュレーションに直接頼らずに推定できる。
論文 参考訳(メタデータ) (2023-04-12T18:29:26Z) - Predicting the Initial Conditions of the Universe using a Deterministic
Neural Network [10.158552381785078]
宇宙の現在の状態に繋がる初期条件を見つけることは、初期条件の難解な入力空間を探索することを伴うため、難しい。
深層学習は,N体シミュレーションの線形入力とシミュレーションからの最終的な非線形出力のマッピングを直接学習することにより,N体シミュレーションの代用として登場した。
本研究では, 逆写像の学習に決定論的畳み込みニューラルネットワークを応用し, 広い範囲にわたる線形変位場を正確に復元することを示す。
論文 参考訳(メタデータ) (2023-03-23T06:04:36Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z) - 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) - Fast and realistic large-scale structure from machine-learning-augmented
random field simulations [0.0]
我々は、予測された対数正規ダークマター密度場をより現実的なダークマターマップに変換するために機械学習モデルを訓練する。
本研究では,フィールド分解能,赤方偏移,宇宙論的パラメータの異なる様々な統計的テストと比較したモデルの性能を示す。
論文 参考訳(メタデータ) (2022-05-16T18:00:01Z) - Minimax Optimal Quantization of Linear Models: Information-Theoretic
Limits and Efficient Algorithms [59.724977092582535]
測定から学習した線形モデルの定量化の問題を考える。
この設定の下では、ミニマックスリスクに対する情報理論の下限を導出する。
本稿では,2層ReLUニューラルネットワークに対して,提案手法と上界を拡張可能であることを示す。
論文 参考訳(メタデータ) (2022-02-23T02:39:04Z) - Learning Free-Surface Flow with Physics-Informed Neural Networks [0.0]
物理インフォームドニューラルネットワーク(PINN)の概念に基づいて構築し,浅層水モデル(SWE)の領域で採用する。
これらのモデルは、洪水波伝播や津波波のような自由表面流れのシナリオをモデル化し、シミュレーションする上で重要な役割を果たしている。
論文 参考訳(メタデータ) (2021-11-17T18:45:55Z) - Predicting the near-wall region of turbulence through convolutional
neural networks [0.0]
乱流開水路流れにおける近接壁挙動を予測するためのニューラルネットワークに基づく手法について検討した。
完全畳み込みネットワーク(FCN)は,2次元速度変動場を$y+_rmターゲット$で予測するために訓練される。
FCNは流れの対数領域の自己相似性を生かし、速度変動場を$y+ = 50$で予測することができる。
論文 参考訳(メタデータ) (2021-07-15T13:58:26Z)
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。