論文の概要: DPNNet-2.0 Part I: Finding hidden planets from simulated images of protoplanetary disk gaps

• arxiv url: http://arxiv.org/abs/2107.09086v1
• Date: Mon, 19 Jul 2021 18:00:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 14:45:58.626554
• Title: DPNNet-2.0 Part I: Finding hidden planets from simulated images of protoplanetary disk gaps
• Title（参考訳）: dpnnet-2.0: 原始惑星間円盤ギャップのシミュレーション画像から隠れた惑星を見つける
• Authors: Sayantan Auddy, Ramit Dey, Min-Kai Lin (ASIAA, NCTS Physics Division), Cassandra Hall
• Abstract要約: DPNNet citepaud20に次いで第2のDPNNet-2.0を導入し,原始惑星円盤のシミュレーション画像から直接外惑星質量を予測する。 この研究は、アタカマ大 (sub-)Millimeter Array) のような望遠鏡による塵面密度マップで観測された惑星間隙から外惑星の質量を直接抽出するコンピュータビジョン(CNNの実装)の利用に向けた最初のステップである。
• 参考スコア（独自算出の注目度）: 6.2194417376659015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The observed sub-structures, like annular gaps, in dust emissions from protoplanetary disk, are often interpreted as signatures of embedded planets. Fitting a model of planetary gaps to these observed features using customized simulations or empirical relations can reveal the characteristics of the hidden planets. However, customized fitting is often impractical owing to the increasing sample size and the complexity of disk-planet interaction. In this paper we introduce the architecture of DPNNet-2.0, second in the series after DPNNet \citep{aud20}, designed using a Convolutional Neural Network ( CNN, here specifically ResNet50) for predicting exoplanet masses directly from simulated images of protoplanetary disks hosting a single planet. DPNNet-2.0 additionally consists of a multi-input framework that uses both a CNN and multi-layer perceptron (a class of artificial neural network) for processing image and disk parameters simultaneously. This enables DPNNet-2.0 to be trained using images directly, with the added option of considering disk parameters (disk viscosities, disk temperatures, disk surface density profiles, dust abundances, and particle Stokes numbers) generated from disk-planet hydrodynamic simulations as inputs. This work provides the required framework and is the first step towards the use of computer vision (implementing CNN) to directly extract mass of an exoplanet from planetary gaps observed in dust-surface density maps by telescopes such as the Atacama Large (sub-)Millimeter Array.
• Abstract（参考訳）: 原始惑星円盤からの塵の放出における環状の隙間のような観測されたサブ構造は、しばしば埋め込み惑星の記号として解釈される。 カスタマイズされたシミュレーションや経験的関係を用いて、これらの観測された特徴に惑星ギャップのモデルを適用することで、隠れた惑星の特徴を明らかにすることができる。 しかし、サンプルサイズの増加とディスクプラネタリー相互作用の複雑さのため、カスタマイズされたフィッティングはしばしば実用的ではない。 本稿では,1つの惑星をホストする原始惑星円盤のシミュレーション画像から直接外惑星質量を予測するために,畳み込みニューラルネットワーク(CNN,特にResNet50)を用いて設計したDPNNet-2.0のアーキテクチャについて紹介する。 さらにDPNNet-2.0は、画像とディスクパラメータを同時に処理するためにCNNと多層パーセプトロンの両方を使用するマルチ入力フレームワークで構成されている。 これにより、DPNNet-2.0を直接画像を用いてトレーニングすることができ、ディスクパラメータ(ディスク粘度、ディスク温度、ディスク表面密度プロファイル、塵量、粒子ストークス数)を入力として生成するオプションが追加された。 この研究は必要な枠組みを提供し、アタカマ大 (sub-)Millimeter Array) のような望遠鏡で観測された塵面密度マップから外惑星の質量を直接抽出するコンピュータビジョン(CNNの実装)を使用するための第一歩である。

関連論文リスト

• Disk2Planet: A Robust and Automated Machine Learning Tool for Parameter Inference in Disk-Planet Systems [16.738136124873307]
  本研究では、プロトプラネタリーディスク構造からディスクプラネタリーシステムにおける鍵パラメータを推論する機械学習ツールであるDisk2Planetを紹介する。 我々のツールは完全自動化されており、Nvidia A100グラフィックス処理ユニットで1つのシステムで3分でパラメータを取得できる。
  論文  参考訳（メタデータ） (2024-09-25T18:00:01Z)
• Computing Transiting Exoplanet Parameters with 1D Convolutional Neural Networks [0.0]
  2つの1次元畳み込みニューラルネットワークモデルが提示される。 1つのモデルは完全な光曲線で動作し、軌道周期を推定する。 もう1つは位相折りたたみ光曲線を演算し、軌道の半主軸と惑星と恒星の半径比の正方形を推定する。
  論文  参考訳（メタデータ） (2024-02-21T10:17:23Z)
• DBNets: A publicly available deep learning tool to measure the masses of young planets in dusty protoplanetary discs [49.1574468325115]
  我々は、原始惑星系円盤から埋め込まれたとされる惑星の質量を素早く推定するDBNetsを開発した。 アウト・オブ・ディストリビューション・データでツールを広範囲にテストしました。 DBNetはトレーニング範囲外において、特定のしきい値以上の不確実性を返す入力を強く識別することができる。 光学的に薄い状態において、約60deg以下の傾斜で観測された円盤にのみ確実に適用することができる。
  論文  参考訳（メタデータ） (2024-02-19T19:00:09Z)
• Spherical Frustum Sparse Convolution Network for LiDAR Point Cloud Semantic Segmentation [62.258256483231484]
  LiDARポイントクラウドセマンティックセグメンテーションにより、ロボットは周囲の環境のきめ細かいセマンティック情報を得ることができる。 多くの研究が2Dイメージ上にポイントクラウドを投影し、LiDARポイントクラウドセマンティックセグメンテーションのための2D畳み込みニューラルネットワーク(CNN)またはビジョントランスフォーマーを採用する。 本稿では,情報損失の定量化を回避するために,新しい球状フラストラム構造を提案する。
  論文  参考訳（メタデータ） (2023-11-29T09:55:13Z)
• Sphere2Vec: A General-Purpose Location Representation Learning over a Spherical Surface for Large-Scale Geospatial Predictions [73.60788465154572]
  現在の2Dおよび3D位置エンコーダはユークリッド空間における点距離をモデル化するために設計されている。 本研究では,球面上の点座標を符号化する場合に,球面距離を保存できるSphere2Vecというマルチスケール位置エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-06-30T12:55:02Z)
• PPDONet: Deep Operator Networks for Fast Prediction of Steady-State Solutions in Disk-Planet Systems [12.39394042991753]
  本研究では,原始惑星系円盤における円盤-平面相互作用の解をリアルタイムに予測するツールを開発した。 当社のツールは,非線形演算子を学習可能なニューラルネットワークのクラスであるDeep Operator Networks(DeepONets)に基づいています。 我々のツールは、ラップトップ上で1秒未満で1つのシステムにおけるディスクプラネタリー相互作用の結果を予測することができる。
  論文  参考訳（メタデータ） (2023-05-18T16:53:35Z)
• Flattening-Net: Deep Regular 2D Representation for 3D Point Cloud Analysis [66.49788145564004]
  我々は、任意の幾何学と位相の不規則な3次元点雲を表現するために、Flattning-Netと呼ばれる教師なしのディープニューラルネットワークを提案する。 我々の手法は、現在の最先端の競合相手に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-12-17T15:05:25Z)
• Scale Attention for Learning Deep Face Representation: A Study Against Visual Scale Variation [69.45176408639483]
  我々はスケール空間理論に頼って凸層を再構築する。 我々はSCale AttentioN Conv Neural Network(textbfSCAN-CNN)という新しいスタイルを構築した。 単発方式として、推論はマルチショット融合よりも効率的である。
  論文  参考訳（メタデータ） (2022-09-19T06:35:04Z)
• Using Bayesian Deep Learning to infer Planet Mass from Gaps in Protoplanetary Disks [0.0]
  ディスクギャップから惑星質量を予測する深層学習ネットワーク「DPNNet-Bayesian」を導入する。 我々のアプローチのユニークな特徴は、ディープラーニングアーキテクチャに関連する不確実性と、入力データに固有の不確実性とを区別できることです。 このネットワークは、それぞれ86.0 pm 5.5 M_Earth $、43.8 pm 3.3 M_Earth $、92.2 pm 5.1 M_Earth $と予測している。
  論文  参考訳（メタデータ） (2022-02-23T19:00:05Z)
• PGNets: Planet mass prediction using convolutional neural networks for radio continuum observations of protoplanetary disks [0.0]
  原始惑星円盤中の若い惑星によって誘導される構造は、潜在的に若い惑星の性質を推測するために用いられる。 2次元画像から惑星質量を推定するためのPlanet Gap Neural Networks(PGNets)を開発した。 線形フィッティング法で見られる$alpha$$propto $M_p3$を再現する。
  論文  参考訳（メタデータ） (2021-11-30T08:12:08Z)
• ParaNet: Deep Regular Representation for 3D Point Clouds [62.81379889095186]
  ParaNetは、3Dポイントクラウドを表現するための新しいエンドツーエンドのディープラーニングフレームワークである。 不規則な3D点雲を通常の2Dカラー画像に変換する。 多視点投影とボキセル化に基づく従来の正規表現法とは異なり、提案した表現は微分可能で可逆である。
  論文  参考訳（メタデータ） (2020-12-05T13:19:55Z)

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。