論文の概要: AGNet: Weighing Black Holes with Deep Learning

• arxiv url: http://arxiv.org/abs/2108.07749v1
• Date: Tue, 17 Aug 2021 16:45:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-18 15:50:57.029750
• Title: AGNet: Weighing Black Holes with Deep Learning
• Title（参考訳）: agnet:深層学習によるブラックホールの重み付け
• Authors: Joshua Yao-Yu Lin, Sneh Pandya, Devanshi Pratap, Xin Liu, Matias Carrasco Kind, Volodymyr Kindratenko
• Abstract要約: 超大質量ブラックホール (SMBHs) は、ほとんどの銀河の中心に自在に存在する。 従来の方法では、収集に費用がかかる分光データを必要とする。 準光時間系列を用いたSMBHの重み付けアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 2.4522011090845846
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supermassive black holes (SMBHs) are ubiquitously found at the centers of most massive galaxies. Measuring SMBH mass is important for understanding the origin and evolution of SMBHs. However, traditional methods require spectroscopic data which is expensive to gather. We present an algorithm that weighs SMBHs using quasar light time series, circumventing the need for expensive spectra. We train, validate, and test neural networks that directly learn from the Sloan Digital Sky Survey (SDSS) Stripe 82 light curves for a sample of $38,939$ spectroscopically confirmed quasars to map out the nonlinear encoding between SMBH mass and multi-color optical light curves. We find a 1$\sigma$ scatter of 0.37 dex between the predicted SMBH mass and the fiducial virial mass estimate based on SDSS single-epoch spectra, which is comparable to the systematic uncertainty in the virial mass estimate. Our results have direct implications for more efficient applications with future observations from the Vera C. Rubin Observatory. Our code, \textsf{AGNet}, is publicly available at {\color{red} \url{https://github.com/snehjp2/AGNet}}.
• Abstract（参考訳）: 超大質量ブラックホール (SMBHs) は、ほとんどの銀河の中心に自在に存在する。 SMBHの質量を測定することは、SMBHの起源と進化を理解する上で重要である。 しかし、従来の手法では収集に費用がかかる分光データが必要となる。 本稿では、クエーサー光時間系列を用いたSMBHの重み付けを行い、高価なスペクトルの必要性を回避するアルゴリズムを提案する。 我々は,Sloan Digital Sky Survey (SDSS) Stripe 82光度曲線から,SMBH質量と多色光度曲線の間の非線形符号化をマッピングするために,分光学的に確認された3,939ドルのクエーサーをトレーニングし,検証し,テストする。 予測されたSMBH質量と、SDSS単一エピックスペクトルに基づくフィデューシャル・ヴィリアル・質量推定との間には、0.37デックスの1$\sigma$散乱が存在する。 本研究は,vera c. rubin観測所による今後の観測により,より効率的な観測に直結する。 私たちのコードである \textsf{AGNet} は {\color{red} \url{https://github.com/snehjp2/AGNet}} で公開されています。

関連論文リスト

• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Galaxy spectroscopy without spectra: Galaxy properties from photometric images with conditional diffusion models [3.556281115019309]
  我々は、測光広帯域画像のみから光銀河スペクトルを予測できる生成AI法を開発した。 この研究は、測光画像から速度分散を推定するための文献における最初の試みである。 活動銀河核の存在を82%の精度で予測できる。
  論文  参考訳（メタデータ） (2024-06-26T08:49:51Z)
• Uncertainty Quantification of the Virial Black Hole Mass with Conformal Prediction [6.487663563916903]
  機械学習環境におけるブラックホール予測の不確かさを定量化するための量子化量子化回帰法の適用を提案する。 我々は,CQR法がブラックホール質量とその関連特性に適応する予測間隔を提供することを示す。 ニューラルネットワークモデルとCQRフレームワークを組み合わせることで、回復した仮想ブラックホール質量予測と不確実性は、Sloan Digital Sky Surveyで測定されたものと同等である。
  論文  参考訳（メタデータ） (2023-07-11T03:13:25Z)
• Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
  宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。 我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。 我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
  論文  参考訳（メタデータ） (2022-11-22T15:35:05Z)
• Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
  クエーサースペクトルを完全に記述できる新しいモデルを提案する。 また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。 CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
  論文  参考訳（メタデータ） (2022-11-17T13:01:26Z)
• 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)
• Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
  光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。 近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。 我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
  論文  参考訳（メタデータ） (2022-06-27T13:46:51Z)
• Inferring Black Hole Properties from Astronomical Multivariate Time Series with Bayesian Attentive Neural Processes [17.145373200662277]
  本稿では,AGN時系列を再構成し,同時に後続確率密度分布を推定する手法を提案する。 この研究は、AGNの確率的時系列再構成とパラメータ推論をエンドツーエンドで扱う最初のものである。
  論文  参考訳（メタデータ） (2021-06-02T20:17:31Z)
• AGNet: Weighing Black Holes with Machine Learning [2.598391092244943]
  超大質量ブラックホール(SMBHs)は、ほとんどの銀河の中心に自在に存在する。 従来の手法では、収集に費用がかかるスペクトルデータが必要である。 準光時間系列を用いたSMBHの重み付けアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-30T18:30:24Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)
• Constraining the recent star formation history of galaxies : an Approximate Bayesian Computation approach [0.0]
  本研究は、過去数十～数百年の恒星形成活動の強い変動を呈する銀河を同定する手法を提案する。 高信号対雑音比広帯域光度計を用いてCOSMOS銀河のサンプルを分析する。
  論文  参考訳（メタデータ） (2020-02-18T19:00:01Z)

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。