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

• Cosmological Analysis with Calibrated Neural Quantile Estimation and Approximate Simulators [0.0]
  我々は,多数の近似シミュレーションをトレーニングに利用し,少数の高忠実度シミュレーションをキャリブレーションに利用した新しいシミュレーションベース推論(SBI)手法を提案する。 概念の証明として、2次元暗黒物質密度写像から、z=0$で$k_rm maxsim1.5,h$/Mpcまでの距離で宇宙的パラメータを推定できることが示される。 キャリブレーション後部は、$sim104$ expensive Particle-Particle (PP) シミュレーションの直接トレーニングにより得られたものとよく一致するが、計算コストのごく一部で一致する。
  論文  参考訳（メタデータ） (2024-11-22T05:53:46Z)
• Beyond Closure Models: Learning Chaotic-Systems via Physics-Informed Neural Operators [78.64101336150419]
  カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。 このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。 この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-09T17:05:45Z)
• Neural-g: A Deep Learning Framework for Mixing Density Estimation [16.464806944964003]
  混合(または先行)密度推定は、機械学習と統計学において重要な問題である。 本稿では,新しいニューラルネットワークを用いたモデリング手法であるNeural-$g$を提案する。
  論文  参考訳（メタデータ） (2024-06-10T03:00:28Z)
• SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
  我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$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である。 FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
  論文  参考訳（メタデータ） (2023-10-03T19:24:24Z)
• 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)
• 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)
• 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。