Fugu-MT 論文翻訳(概要): Inferring halo masses with Graph Neural Networks

論文の概要: Inferring halo masses with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2111.08683v1
Date: Tue, 16 Nov 2021 18:37:53 GMT
ステータス: 処理完了
システム内更新日: 2021-11-17 16:12:27.774159
Title: Inferring halo masses with Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークによるハロ質量推定
Authors: Pablo Villanueva-Domingo, Francisco Villaescusa-Navarro, Daniel Angl\'es-Alc\'azar, Shy Genel, Federico Marinacci, David N. Spergel, Lars Hernquist, Mark Vogelsberger, Romeel Dave, Desika Narayanan
Abstract要約: 我々は、ハローの位置、速度、恒星の質量、銀河の半径を推定するモデルを構築します。我々は不規則でスパースなデータを扱うように設計されたグラフニューラルネットワーク(GNN)を使用している。我々のモデルでは、ハロの質量を$sim$0.2 dexの精度で制限することができる。
参考スコア（独自算出の注目度）: 0.5804487044220691
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Understanding the halo-galaxy connection is fundamental in order to improve our knowledge on the nature and properties of dark matter. In this work we build a model that infers the mass of a halo given the positions, velocities, stellar masses, and radii of the galaxies it hosts. In order to capture information from correlations among galaxy properties and their phase-space, we use Graph Neural Networks (GNNs), that are designed to work with irregular and sparse data. We train our models on galaxies from more than 2,000 state-of-the-art simulations from the Cosmology and Astrophysics with MachinE Learning Simulations (CAMELS) project. Our model, that accounts for cosmological and astrophysical uncertainties, is able to constrain the masses of the halos with a $\sim$0.2 dex accuracy. Furthermore, a GNN trained on a suite of simulations is able to preserve part of its accuracy when tested on simulations run with a different code that utilizes a distinct subgrid physics model, showing the robustness of our method. The PyTorch Geometric implementation of the GNN is publicly available on Github at https://github.com/PabloVD/HaloGraphNet
Abstract（参考訳）: 暗黒物質の性質と性質に関する知識を改善するためには、ハロ・ガラックス接続を理解することが基本である。この研究では、銀河の位置、速度、恒星の質量、半径からハローの質量を推定するモデルを構築します。銀河の性質と位相空間の相関関係から情報を取得するために、不規則でスパースなデータを扱うように設計されたグラフニューラルネットワーク(GNN)を用いる。我々は、MachinE Learning Simulations (CAMELS)プロジェクトを用いて、2000以上の最先端のシミュレーションから銀河に関するモデルをトレーニングする。我々のモデルは、宇宙論と天体物理学の不確かさを考慮し、ハロの質量を$\sim$0.2 dex精度で制限することができる。さらに、一連のシミュレーションで訓練されたGNNは、異なるサブグリッド物理モデルを用いて異なるコードで実行されるシミュレーションでテストした場合、その精度の一部を維持でき、その手法の堅牢性を示している。 GNNのPyTorch Geometric実装はGithubでhttps://github.com/PabloVD/HaloGraphNetで公開されている。

関連論文リスト

Estimating Dark Matter Halo Masses in Simulated Galaxy Clusters with Graph Neural Networks [0.0]
シミュレーション銀河団の恒星質量から$rmM_rmhalo$を予測するグラフニューラルネットワーク(GNN)モデルを提案する。ランダムな森林のような従来の機械学習モデルとは異なり、我々のGNNは銀河団の情報豊富なサブ構造を捉えている。 TNG-Clusterデータセットに基づいてトレーニングされ、TNG300シミュレーションで独立にテストされたGNNモデルは、他のベースラインモデルよりも優れた予測性能を達成する。
論文参考訳（メタデータ） (2024-11-19T16:40:17Z)
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$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
論文参考訳（メタデータ） (2024-09-13T18:00:06Z)
How DREAMS are made: Emulating Satellite Galaxy and Subhalo Populations with Diffusion Models and Point Clouds [1.203672395409347]
暗黒物質ハロー上に銀河・サブハロスを描くための変分拡散モデルと変圧器に基づく生成フレームワークNeHODを提案する。それぞれのハロについて、NeHODは中心銀河と衛星銀河の位置、速度、質量、濃度を予測する。本モデルでは,シミュレーションパラメータの関数として,サブハロ特性間の複雑な関係を捉える。
論文参考訳（メタデータ） (2024-09-04T18:00:00Z)
LSGNN: Towards General Graph Neural Network in Node Classification by Local Similarity [59.41119013018377]
本稿では,ローカル類似性(LocalSim)を用いて,プラグイン・アンド・プレイモジュールとしても機能するノードレベルの重み付き融合を学習する。そこで本研究では,より情報性の高いマルチホップ情報を抽出するための,新規かつ効率的な初期残留差分接続(IRDC)を提案する。提案手法,すなわちローカル類似グラフニューラルネットワーク(LSGNN)は,ホモ親和性グラフとヘテロ親和性グラフの両方において,同等あるいは優れた最先端性能を提供できる。
論文参考訳（メタデータ） (2023-05-07T09:06:11Z)
Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文参考訳（メタデータ） (2022-07-07T17:55:26Z)
Learning cosmology and clustering with cosmic graphs [0.0]
我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから数千の銀河カタログのディープラーニングモデルを訓練する。まず、GNNが数パーセントの精度で銀河カタログのパワースペクトルを計算することができることを示す。次に、GNNをトレーニングし、銀河場レベルで可能性のない推論を行う。
論文参考訳（メタデータ） (2022-04-28T18:00:02Z)
Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
論文参考訳（メタデータ） (2022-01-13T16:35:45Z)
Satellite galaxy abundance dependency on cosmology in Magneticum simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。 A$ 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)
ForceNet: A Graph Neural Network for Large-Scale Quantum Calculations [86.41674945012369]
スケーラブルで表現力のあるグラフニューラルネットワークモデルであるForceNetを開発し、原子力を近似します。提案したForceNetは、最先端の物理ベースのGNNよりも正確に原子力を予測することができる。
論文参考訳（メタデータ） (2021-03-02T03:09:06Z)
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)

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。