論文の概要: Constraining dark matter annihilation with cosmic ray antiprotons using neural networks

• arxiv url: http://arxiv.org/abs/2107.12395v1
• Date: Mon, 26 Jul 2021 18:00:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 05:10:24.225745
• Title: Constraining dark matter annihilation with cosmic ray antiprotons using neural networks
• Title（参考訳）: ニューラルネットワークを用いた宇宙線アンチプロトンによる暗黒物質消滅の抑制
• Authors: Felix Kahlhoefer, Michael Korsmeier, Michael Kr\"amer, Silvia Manconi, Kathrin Nippel
• Abstract要約: 第二級およびダークマターの宇宙線反陽子のシミュレーションを著しく高速化する新しい手法を提案する。 我々は,ネットワークが十分に訓練されたパラメータ領域でのみ評価されることを保証するために,特に重要サンプリングを適当とみなす。 完全にトレーニングされたネットワークは、この作業とともにDarkRayNetとしてリリースされ、従来のアプローチに比べて少なくとも2桁のスピードアップを実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The interpretation of data from indirect detection experiments searching for dark matter annihilations requires computationally expensive simulations of cosmic-ray propagation. In this work we present a new method based on Recurrent Neural Networks that significantly accelerates simulations of secondary and dark matter Galactic cosmic ray antiprotons while achieving excellent accuracy. This approach allows for an efficient profiling or marginalisation over the nuisance parameters of a cosmic ray propagation model in order to perform parameter scans for a wide range of dark matter models. We identify importance sampling as particularly suitable for ensuring that the network is only evaluated in well-trained parameter regions. We present resulting constraints using the most recent AMS-02 antiproton data on several models of Weakly Interacting Massive Particles. The fully trained networks are released as DarkRayNet together with this work and achieve a speed-up of the runtime by at least two orders of magnitude compared to conventional approaches.
• Abstract（参考訳）: 暗黒物質の消滅を探索する間接検出実験のデータ解釈には、宇宙線伝播の計算に高価なシミュレーションが必要である。 本研究では,2次およびダークマターの宇宙線アンチプロトンシミュレーションを著しく高速化し,精度を向上するリカレントニューラルネットワークに基づく新しい手法を提案する。 このアプローチにより、宇宙線伝搬モデルのニュアンスパラメータに対する効率的なプロファイリングや境界化が可能になり、広い範囲のダークマターモデルに対するパラメータスキャンを行うことができる。 ネットワークが十分に訓練されたパラメータ領域でのみ評価されることを保証するために,特に重要サンプリングが適している。 我々は,最新のams-02反陽子データを用いて,弱相互作用する粒子のモデルを用いて,結果の制約を提示する。 完全にトレーニングされたネットワークはこの作業とともにDarkRayNetとしてリリースされ、従来のアプローチに比べて少なくとも2桁のスピードアップを実現している。

関連論文リスト

• SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
  単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。 赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
  論文  参考訳（メタデータ） (2024-03-08T16:14:54Z)
• Neural network analysis of neutron and X-ray reflectivity data: Incorporating prior knowledge for tackling the phase problem [141.5628276096321]
  本稿では,事前知識を利用して,より大規模なパラメータ空間上でのトレーニングプロセスを標準化する手法を提案する。 ボックスモデルパラメータ化を用いた多層構造を含む様々なシナリオにおいて,本手法の有効性を示す。 従来の手法とは対照的に,逆問題の複雑性を増大させると,我々の手法は好適にスケールする。
  論文  参考訳（メタデータ） (2023-06-28T11:15:53Z)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。 従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Inferring dark matter substructure with astrometric lensing beyond the power spectrum [0.0]
  そこで我々は,地球規模の暗黒物質による重力レンズのシグネチャの探索手法を提案する。 提案手法は, 暗黒物質群に対する感度が有意に向上したことを示す。
  論文  参考訳（メタデータ） (2021-10-04T18:00:00Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• Leveraging Spatial and Photometric Context for Calibrated Non-Lambertian Photometric Stereo [61.6260594326246]
  空間と測光の両方を同時に活用できる効率的な完全畳み込みアーキテクチャを提案する。 分離可能な4D畳み込みと2D熱マップを使うことで、サイズが小さくなり、効率が向上する。
  論文  参考訳（メタデータ） (2021-03-22T18:06:58Z)
• Towards Reflectivity profile inversion through Artificial Neural Networks [0.0]
  スペクトル中性子とX線反射率の目標は、実験反射率曲線から長さ密度プロファイルを散乱する材料を推定することである。 本稿では,ニューラルネットワークを用いた非可逆問題に対する元来のアプローチについて検討する。
  論文  参考訳（メタデータ） (2020-10-15T10:09:09Z)
• GraN: An Efficient Gradient-Norm Based Detector for Adversarial and Misclassified Examples [77.99182201815763]
  ディープニューラルネットワーク(DNN)は、敵対的な例やその他のデータ摂動に対して脆弱である。 GraNは、どのDNNにも容易に適応できる時間およびパラメータ効率の手法である。 GraNは多くの問題セットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-04-20T10:09:27Z)
• Foreground model recognition through Neural Networks for CMB B-mode observations [0.0]
  特に,偏光観測に関連する低周波フォアグラウンドの解析に着目した。 我々は、将来の衛星と低周波地表面プローブで表される周波数範囲と感度に対応する一連のシミュレーションマップに対して、我々のアプローチを実装し、検証した。 異なる空域における前景放射の正しいパラメトリゼーションの認識におけるNN効率は、およそ90%の精度に達する。
  論文  参考訳（メタデータ） (2020-03-04T19:00:02Z)

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。