論文の概要: A neural simulation-based inference approach for characterizing the
Galactic Center $\gamma$-ray excess
- arxiv url: http://arxiv.org/abs/2110.06931v1
- Date: Wed, 13 Oct 2021 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 15:05:32.118704
- Title: A neural simulation-based inference approach for characterizing the
Galactic Center $\gamma$-ray excess
- Title（参考訳）: ニューラルシミュレーションに基づく銀河中心を$\gamma$-ray過剰に特徴付ける推論手法
- Authors: Siddharth Mishra-Sharma and Kyle Cranmer
- Abstract要約: Fermi gamma-ray Galactic Center Excess(GCE)は10年以上も謎のままだ。
我々は、シミュレーションに基づく推論の分野における最近の進歩を利用して、モデル化されたコンポーネントのGCEへの貢献を特徴づける。
- 参考スコア（独自算出の注目度）: 9.101294179203794
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The nature of the Fermi gamma-ray Galactic Center Excess (GCE) has remained a
persistent mystery for over a decade. Although the excess is broadly compatible
with emission expected due to dark matter annihilation, an explanation in terms
of a population of unresolved astrophysical point sources e.g., millisecond
pulsars, remains viable. The effort to uncover the origin of the GCE is
hampered in particular by an incomplete understanding of diffuse emission of
Galactic origin. This can lead to spurious features that make it difficult to
robustly differentiate smooth emission, as expected for a dark matter origin,
from more "clumpy" emission expected for a population of relatively bright,
unresolved point sources. We use recent advancements in the field of
simulation-based inference, in particular density estimation techniques using
normalizing flows, in order to characterize the contribution of modeled
components, including unresolved point source populations, to the GCE. Compared
to traditional techniques based on the statistical distribution of photon
counts, our machine learning-based method is able to utilize more of the
information contained in a given model of the Galactic Center emission, and in
particular can perform posterior parameter estimation while accounting for
pixel-to-pixel spatial correlations in the gamma-ray map. This makes the method
demonstrably more resilient to certain forms of model misspecification. On
application to Fermi data, the method generically attributes a smaller fraction
of the GCE flux to unresolved point sources when compared to traditional
approaches. We nevertheless infer such a contribution to make up a
non-negligible fraction of the GCE across all analysis variations considered,
with at least $38^{+9}_{-19}\%$ of the excess attributed to unresolved points
sources in our baseline analysis.
- Abstract（参考訳）: フェルミ・ガンマ線銀河中心超過(英語版)(gce)の性質は10年以上にわたって永続的な謎のままである。
過剰な物質は暗黒物質の消滅によって予想される放出と広く相容れないが、ミリ秒パルサーのような未解決の天体物理学的な点源の人口の観点で説明できる。
GCEの起源を明らかにする努力は、特に銀河起源の拡散放出の不完全な理解によって妨げられている。
これは、暗黒物質の起源が予想されるように、滑らかな放出を比較的明るい未解決の点源の集団に期待されるより「乱雑な」放出と頑強に区別するのを難しくする突発的な特徴をもたらす可能性がある。
本稿では,シミュレーションに基づく推論,特に正規化フローを用いた密度推定手法の進歩を利用して,未解決の点源集団を含むモデル成分のGCEへの寄与を特徴づける。
光子数の統計分布に基づく従来の手法と比較して、我々の機械学習に基づく手法は、ギャラクティックセンター放射の所定のモデルに含まれる情報をより多く活用することができ、特にガンマ線地図における画素間空間相関を考慮した後部パラメータ推定を行うことができる。
これにより、特定のモデルの誤特定に対して明らかに耐性が増す。
Fermiデータに適用した場合、従来の手法と比較してGCEフラックスのごく一部を未解決の点源と総称する。
それでも我々は、GCEの非無視的な分数を構成するためのそのような貢献を、考慮されたすべての分析のバリエーションに当てはめ、最低でも38^{+9}_{-19}\%$は、ベースライン解析において未解決の点源に起因する余剰の帰結である。
関連論文リスト
- A point cloud approach to generative modeling for galaxy surveys at the
field level [0.5099081649205313]
宇宙における銀河の分布を記述するために拡散に基づく生成モデルを導入する。
クイジョートシミュレーションスイートにおける暗黒物質ハローの最初の応用例を示す。
このアプローチは、宇宙データの包括的な分析を可能にするために拡張することができる。
論文 参考訳（メタデータ） (2023-11-28T19:00:00Z) - Curvature-Independent Last-Iterate Convergence for Games on Riemannian
Manifolds [77.4346324549323]
本研究では, 多様体の曲率に依存しないステップサイズが, 曲率非依存かつ直線的最終点収束率を達成することを示す。
我々の知る限りでは、曲率非依存率や/または最終点収束の可能性はこれまでに検討されていない。
論文 参考訳（メタデータ） (2023-06-29T01:20:44Z) - Posterior samples of source galaxies in strong gravitational lenses with
score-based priors [107.52670032376555]
我々はスコアベースモデルを用いて、背景銀河の歪みのない画像の事前推定を符号化する。
アウト・オブ・ディストリビューション・データを用いた実験において、可能性と事前のバランスが、我々の期待にどのように合致しているかを示す。
論文 参考訳（メタデータ） (2022-11-07T19:00:42Z) - 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) - Deep Learning Models of the Discrete Component of the Galactic
Interstellar Gamma-Ray Emission [61.26321023273399]
H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。
深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
論文 参考訳（メタデータ） (2022-06-06T18:00:07Z) - Primordial non-Gaussianity from the Completed SDSS-IV extended Baryon
Oscillation Spectroscopic Survey I: Catalogue Preparation and Systematic
Mitigation [3.2855185490071444]
最近完了したバリオン振動分光サーベイ(eBOSS)による最終分光試料の大規模クラスタリングについて検討する。
フォローアップ分光のターゲットを選択するために使用される画像データの品質の空間的変動に起因する密度場の急激なゆらぎを軽減するニューラルネットワークベースのアプローチを開発した。
論文 参考訳（メタデータ） (2021-06-25T16:01:19Z) - BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。
本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-07T10:14:18Z) - Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。
特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。
本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
論文 参考訳（メタデータ） (2021-02-12T12:23:13Z) - Towards constraining warm dark matter with stellar streams through
neural simulation-based inference [7.608718235345664]
Amortized Approximate Likelihood Ratios (AALR) に基づく確率自由ベイズ推論パイプラインを導入する。
本手法は、暗黒物質サブハローによってのみ恒星の流れが摂動される単純化された場合に適用する。
論文 参考訳（メタデータ） (2020-11-30T15:53:43Z) - Semi-parametric $\gamma$-ray modeling with Gaussian processes and
variational inference [9.405199445496429]
銀河起源の不確実な拡散放出をモデル化することは、天体物理学的なガンマ線データの特徴に深刻な偏見を与える可能性がある。
ガンマ線解析のためのフレキシブルな背景および信号モデルを構築するためにガウス過程と変分推論を用いる新しい手法のクラスを導入する。
論文 参考訳（メタデータ） (2020-10-20T17:04:37Z)
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。