論文の概要: Multifield Cosmology with Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2109.09747v1
• Date: Mon, 20 Sep 2021 18:00:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-22 14:26:18.166926
• Title: Multifield Cosmology with Artificial Intelligence
• Title（参考訳）: 人工知能を用いた多分野宇宙論
• Authors: Francisco Villaescusa-Navarro, Daniel Angl\'es-Alc\'azar, Shy Genel, David N. Spergel, Yin Li, Benjamin Wandelt, Andrina Nicola, Leander Thiele, Sultan Hassan, Jose Manuel Zorrilla Matilla, Desika Narayanan, Romeel Dave, Mark Vogelsberger
• Abstract要約: 天体物理学のプロセスは、ダークマター、ガス、銀河の性質をよく理解されていない方法で修正する。 13の異なるフィールドに対して数十万の2次元マップを生成します。 我々はこれらの地図を用いて畳み込みニューラルネットワークを訓練し、宇宙情報の最大量を抽出する。
• 参考スコア（独自算出の注目度）: 13.031414468952313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Astrophysical processes such as feedback from supernovae and active galactic nuclei modify the properties and spatial distribution of dark matter, gas, and galaxies in a poorly understood way. This uncertainty is one of the main theoretical obstacles to extract information from cosmological surveys. We use 2,000 state-of-the-art hydrodynamic simulations from the CAMELS project spanning a wide variety of cosmological and astrophysical models and generate hundreds of thousands of 2-dimensional maps for 13 different fields: from dark matter to gas and stellar properties. We use these maps to train convolutional neural networks to extract the maximum amount of cosmological information while marginalizing over astrophysical effects at the field level. Although our maps only cover a small area of $(25~h^{-1}{\rm Mpc})^2$, and the different fields are contaminated by astrophysical effects in very different ways, our networks can infer the values of $\Omega_{\rm m}$ and $\sigma_8$ with a few percent level precision for most of the fields. We find that the marginalization performed by the network retains a wealth of cosmological information compared to a model trained on maps from gravity-only N-body simulations that are not contaminated by astrophysical effects. Finally, we train our networks on multifields -- 2D maps that contain several fields as different colors or channels -- and find that not only they can infer the value of all parameters with higher accuracy than networks trained on individual fields, but they can constrain the value of $\Omega_{\rm m}$ with higher accuracy than the maps from the N-body simulations.
• Abstract（参考訳）: 超新星からのフィードバックや活動銀河核からのフィードバックのような天体物理過程は、ダークマター、ガス、銀河の性質と空間分布をよく理解されていない方法で修正する。 この不確実性は、宇宙探査から情報を抽出する主要な理論上の障害の1つである。 我々は、CAMELSプロジェクトから2000の最先端の流体力学シミュレーションを用いて、様々な宇宙物理モデルと天体物理学モデルにまたがり、暗黒物質からガス、恒星の性質まで、13の分野の数十万の2次元マップを生成する。 我々はこれらの地図を用いて畳み込みニューラルネットワークを訓練し、宇宙情報の最大量を抽出し、フィールドレベルでの天体物理学的効果を過小評価する。 我々の写像は、(25~h^{-1}{\rm Mpc})^2$の小さな領域のみをカバーし、異なるフィールドは、非常に異なる方法で天体物理学的な効果によって汚染されるが、我々のネットワークは、ほとんどのフィールドに対して数パーセントの精度で$\Omega_{\rm m}$と$\sigma_8$の値を推測することができる。 宇宙物理効果によって汚染されない重力のみのN体シミュレーションから学習したモデルと比較して,ネットワークによる余剰化は宇宙情報の豊富さを保っていることがわかった。 最後に、マルチフィールド(異なる色やチャネルを含む複数のフィールドを含む2dマップ)でネットワークをトレーニングし、個々のフィールドでトレーニングされたネットワークよりも高い精度ですべてのパラメータの値を推測できるだけでなく、n体シミュレーションのマップよりも高い精度で$\omega_{\rm m}$の値を制限できることを見出します。

関連論文リスト

• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)
• $\texttt{Mangrove}$: Learning Galaxy Properties from Merger Trees [1.2116854758481395]
  グラフニューラルネットワーク(GNN)は、物理的関係を学ぶための自然な選択であることが証明されている。 $texttMangrove$は、銀河系星質量、冷たいガス質量、金属量、瞬時および時間平均の星形成速度、ブラックホール質量をエミュレートする。 ルート平均二乗誤差は、$(75 Mpc/h)3$シュミレーションボックスの40秒で他のメソッドよりも最大2倍低い。
  論文  参考訳（メタデータ） (2022-10-24T18:00:00Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• Satellite galaxy abundance dependency on cosmology in Magneticum simulations [101.18253437732933]
  宇宙論的パラメータに基づく衛星量のエミュレータを構築した。 A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。 また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
  論文  参考訳（メタデータ） (2021-10-11T18:00:02Z)
• The CAMELS Multifield Dataset: Learning the Universe's Fundamental Parameters with Artificial Intelligence [13.72500304639404]
  我々は,Machine Learning Simulations (CAMELS) Multifield dataset, CMD を用いてコスモロジーと天体物理学を述べる。 CMDは何十万もの2Dマップと3Dグリッドのコレクションで、宇宙のガス、暗黒物質、そして2000の異なる宇宙から何回かの宇宙の異なる性質を含んでいる。 2Dマップと3Dグリッドは、CAMELSプロジェクトから何千もの最先端の流体力学と重力のみのN体シミュレーションから生み出された1億ドルの宇宙領域を表している。
  論文  参考訳（メタデータ） (2021-09-22T18:00:01Z)
• Robust marginalization of baryonic effects for cosmological inference at the field level [12.768056235837427]
  ニューラルネットワークをトレーニングして、全質量表面密度を含む$(25,h-1rm Mpc)2$2Dマップから確率のない推論を行う。 ネットワークは、すべての解決されたスケールから一点関数やパワースペクトルを超えて情報を抽出できることを示す。
  論文  参考訳（メタデータ） (2021-09-21T18:00:01Z)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)
• Emulation of cosmological mass maps with conditional generative adversarial networks [0.0]
  本稿では, 物質密度$Omega_m$と物質クラスタリング強度$sigma_8$に対して, 質量マップを生成可能な新しい条件付きGANモデルを提案する。 以上の結果から,我々の条件付きGANはシミュレーション宇宙論の空間内で効率的に補間できることが示唆された。 この貢献は、質量マップのエミュレータを直接構築するためのステップであり、宇宙的信号とその可変性の両方をキャプチャする。
  論文  参考訳（メタデータ） (2020-04-17T09:34:34Z)
• Probing chiral edge dynamics and bulk topology of a synthetic Hall system [52.77024349608834]
  量子ホール系は、基礎となる量子状態の位相構造に根ざしたバルク特性であるホール伝導の量子化によって特徴づけられる。 ここでは, 超低温のジスプロシウム原子を用いた量子ホール系を, 空間次元の2次元形状で実現した。 磁気サブレベルが多数存在すると、バルクおよびエッジの挙動が異なることが示される。
  論文  参考訳（メタデータ） (2020-01-06T16:59:08Z)

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。