論文の概要: Super-resolving Dark Matter Halos using Generative Deep Learning

• arxiv url: http://arxiv.org/abs/2111.06393v1
• Date: Thu, 11 Nov 2021 18:59:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-12 15:49:34.745506
• Title: Super-resolving Dark Matter Halos using Generative Deep Learning
• Title（参考訳）: 生成的深層学習を用いた超解答ダークマターハロー
• Authors: David Schaurecker, Yin Li, Jeremy Tinker, Shirley Ho, Alexandre Refregier
• Abstract要約: 畳み込みニューラルネットワーク(CNN)上に構築された生成的ディープラーニング手法は、宇宙論における非線形構造を予測する優れたツールを提供する。 本研究では,高分解能暗黒物質ハロを大規模で低分解能暗黒物質のみのシミュレーションから予測する。
• 参考スコア（独自算出の注目度）: 77.79867381335231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative deep learning methods built upon Convolutional Neural Networks (CNNs) provide a great tool for predicting non-linear structure in cosmology. In this work we predict high resolution dark matter halos from large scale, low resolution dark matter only simulations. This is achieved by mapping lower resolution to higher resolution density fields of simulations sharing the same cosmology, initial conditions and box-sizes. To resolve structure down to a factor of 8 increase in mass resolution, we use a variation of U-Net with a conditional GAN, generating output that visually and statistically matches the high resolution target extremely well. This suggests that our method can be used to create high resolution density output over Gpc/h box-sizes from low resolution simulations with negligible computational effort.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(cnns)に基づく生成的ディープラーニング手法は、宇宙論における非線形構造を予測するための優れたツールを提供する。 本研究では,高分解能暗黒物質ハロを大規模で低分解能暗黒物質のみのシミュレーションから予測する。 これは、低分解能を同じ宇宙論、初期条件、ボックスサイズを共有するシミュレーションの高分解能密度場にマッピングすることで達成される。 質量分解能を8倍に向上させるため,条件付きGANを用いたU-Netの変動を利用して,高分解能ターゲットと視覚的,統計的に極めてよく一致した出力を生成する。 本手法は,低分解能シミュレーションからgpc/hボックスサイズ以上の高分解能密度出力を生成することができることを示唆する。

関連論文リスト

• CHARM: Creating Halos with Auto-Regressive Multi-stage networks [1.6987257996124416]
  CHARMは、モックハローカタログを作成するための新しい方法である。 モックハローカタログと塗装された銀河カタログは、実空間と赤方偏移空間の両方でN$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
  論文  参考訳（メタデータ） (2024-09-13T18:00:06Z)
• Redefining Super-Resolution: Fine-mesh PDE predictions without classical simulations [0.0]
  PDEに基づく問題に適した超解像の新たな定義を提案する。 我々は、粗いグリッドシミュレーションデータを入力として使用し、詳細なグリッドシミュレーション結果を予測する。 本手法は,従来のシミュレーションを通したファイン・メッシュ・ソリューションの生成を可能にする。
  論文  参考訳（メタデータ） (2023-11-16T10:13:09Z)
• Stochastic Super-resolution of Cosmological Simulations with Denoising Diffusion Models [3.2771631221674333]
  超解宇宙大規模構造予測のための強力な生成モデルとして,デノナイジング拡散モデルを導入する。 我々は,提案モデルが高解像度画像とパワースペクトルをパーセンテージレベルで一貫するだけでなく,与えられた低解像度シミュレーションと整合した小型特徴の多様性を再現できることを実証した。
  論文  参考訳（メタデータ） (2023-10-10T18:32:11Z)
• Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
  完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。 LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。 我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
  論文  参考訳（メタデータ） (2023-05-01T23:20:27Z)
• Passive superresolution imaging of incoherent objects [63.942632088208505]
  手法は、Hermite-Gaussianモードとその重ね合わせのオーバーコンプリートベースで、画像平面内のフィールドの空間モード成分を測定することで構成される。 ディープニューラルネットワークは、これらの測定からオブジェクトを再構築するために使用される。
  論文  参考訳（メタデータ） (2023-04-19T15:53:09Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Super-resolution GANs of randomly-seeded fields [68.8204255655161]
  ランダムスパースセンサからフィールド量の推定を行うための,GAN(Super- resolution Generative Adversarial Network)フレームワークを提案する。 このアルゴリズムはランダムサンプリングを利用して、高解像度の基底分布の不完全ビューを提供する。 提案手法は, 流体流動シミュレーション, 海洋表面温度分布測定, 粒子画像速度測定データの合成データベースを用いて検証した。
  論文  参考訳（メタデータ） (2022-02-23T18:57:53Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Application of Video-to-Video Translation Networks to Computational Fluid Dynamics [0.0]
  本研究の目的は,GANを用いたCFDシミュレーションの計算コストを削減することである。 低コスト・高精度シミュレーションの結果は, 低コスト・低精度シミュレーションの結果から推定できることが示されている。 特に、高分解能グリッドの場合の密度分布の時間発展は、低分解能グリッドの場合からGANを通して再現される。
  論文  参考訳（メタデータ） (2021-09-12T02:26:58Z)

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。