論文の概要: PGNets: Planet mass prediction using convolutional neural networks for radio continuum observations of protoplanetary disks

• arxiv url: http://arxiv.org/abs/2111.15196v1
• Date: Tue, 30 Nov 2021 08:12:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 01:53:37.747625
• Title: PGNets: Planet mass prediction using convolutional neural networks for radio continuum observations of protoplanetary disks
• Title（参考訳）: PGNets: 原始惑星円盤の電波連続観測のための畳み込みニューラルネットワークを用いた惑星質量予測
• Authors: Shangjia Zhang, Zhaohuan Zhu, Mingon Kang
• Abstract要約: 原始惑星円盤中の若い惑星によって誘導される構造は、潜在的に若い惑星の性質を推測するために用いられる。 2次元画像から惑星質量を推定するためのPlanet Gap Neural Networks(PGNets)を開発した。 線形フィッティング法で見られる$alpha$$propto $M_p3$を再現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We developed Convolutional Neural Networks (CNNs) to rapidly and directly infer the planet mass from radio dust continuum images. Substructures induced by young planets in protoplanetary disks can be used to infer the potential young planets' properties. Hydrodynamical simulations have been used to study the relationships between the planet's properties and these disk features. However, these attempts either fine-tuned numerical simulations to fit one protoplanetary disk at a time, which was time-consuming, or azimuthally averaged simulation results to derive some linear relationships between the gap width/depth and the planet mass, which lost information on asymmetric features in disks. To cope with these disadvantages, we developed Planet Gap neural Networks (PGNets) to infer the planet mass from 2D images. We first fit the gridded data in Zhang et al. (2018) as a classification problem. Then, we quadrupled the data set by running additional simulations with near-randomly sampled parameters, and derived the planet mass and disk viscosity together as a regression problem. The classification approach can reach an accuracy of 92\%, whereas the regression approach can reach 1$\sigma$ as 0.16 dex for planet mass and 0.23 dex for disk viscosity. We can reproduce the degeneracy scaling $\alpha$ $\propto$ $M_p^3$ found in the linear fitting method, which means that the CNN method can even be used to find degeneracy relationship. The gradient-weighted class activation mapping effectively confirms that PGNets use proper disk features to constrain the planet mass. We provide programs for PGNets and the traditional fitting method from Zhang et al. (2018), and discuss each method's advantages and disadvantages.
• Abstract（参考訳）: ラジオダスト連続体画像から惑星質量を迅速かつ直接的に推定する畳み込みニューラルネットワーク(cnns)を開発した。 原始惑星円盤の若い惑星によって誘導されるサブ構造は、潜在的な若い惑星の性質を推測するために用いられる。 流体力学シミュレーションは、惑星の性質とこれらの円盤の特徴の関係を研究するために用いられてきた。 しかし、これらの試みは、時間を要する1つの原始惑星円盤を1度に適合させる微調整された数値シミュレーションまたは方位平均シミュレーションの結果、ギャップ幅/深さと惑星質量の間の線形関係を導出し、円盤内の非対称な特徴に関する情報を失った。 これらの欠点に対処するため、2次元画像から惑星質量を推定するPlanet Gap Neural Networks(PGNets)を開発した。 まず、Zhang et al. (2018) のグリッド化されたデータを分類問題に適合させる。 次に, ほぼランダムにサンプリングされたパラメータを用いた追加シミュレーションを行い, 回帰問題として惑星質量と円盤粘度を導出した。 分類アプローチは 92\% の精度に達するが、回帰アプローチは惑星質量の 0.16 dex とディスク粘度 0.23 dex の 1$\sigma$ に達する。 線形フィッティング法で見られる縮退スケーリング $\alpha$$\propto$$M_p^3$ を再現できるので、CNN法は縮退関係を見つけるのにも使える。 勾配重み付きクラスアクティベーションマッピングは、pgnetが惑星質量を制限するために適切なディスク機能を使用していることを効果的に確認する。 我々は Zhang et al. (2018) のPGNets プログラムと従来のフィッティング手法を提供し、各手法の利点と欠点について議論する。

関連論文リスト

• Disk2Planet: A Robust and Automated Machine Learning Tool for Parameter Inference in Disk-Planet Systems [16.738136124873307]
  本研究では、プロトプラネタリーディスク構造からディスクプラネタリーシステムにおける鍵パラメータを推論する機械学習ツールであるDisk2Planetを紹介する。 我々のツールは完全自動化されており、Nvidia A100グラフィックス処理ユニットで1つのシステムで3分でパラメータを取得できる。
  論文  参考訳（メタデータ） (2024-09-25T18:00:01Z)
• Computing Transiting Exoplanet Parameters with 1D Convolutional Neural Networks [0.0]
  2つの1次元畳み込みニューラルネットワークモデルが提示される。 1つのモデルは完全な光曲線で動作し、軌道周期を推定する。 もう1つは位相折りたたみ光曲線を演算し、軌道の半主軸と惑星と恒星の半径比の正方形を推定する。
  論文  参考訳（メタデータ） (2024-02-21T10:17:23Z)
• DBNets: A publicly available deep learning tool to measure the masses of young planets in dusty protoplanetary discs [49.1574468325115]
  我々は、原始惑星系円盤から埋め込まれたとされる惑星の質量を素早く推定するDBNetsを開発した。 アウト・オブ・ディストリビューション・データでツールを広範囲にテストしました。 DBNetはトレーニング範囲外において、特定のしきい値以上の不確実性を返す入力を強く識別することができる。 光学的に薄い状態において、約60deg以下の傾斜で観測された円盤にのみ確実に適用することができる。
  論文  参考訳（メタデータ） (2024-02-19T19:00:09Z)
• Information-Theoretic Thresholds for Planted Dense Cycles [52.076657911275525]
  本研究では,社会科学や生物科学においてユビキタスな小世界ネットワークのランダムグラフモデルについて検討する。 植え込み高密度サイクルの検出と回復の両面において、情報理論の閾値を$n$, $tau$、エッジワイド信号対雑音比$lambda$で特徴づける。
  論文  参考訳（メタデータ） (2024-02-01T03:39:01Z)
• Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
  グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。 ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。 我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
  論文  参考訳（メタデータ） (2022-10-15T08:01:08Z)
• Using Bayesian Deep Learning to infer Planet Mass from Gaps in Protoplanetary Disks [0.0]
  ディスクギャップから惑星質量を予測する深層学習ネットワーク「DPNNet-Bayesian」を導入する。 我々のアプローチのユニークな特徴は、ディープラーニングアーキテクチャに関連する不確実性と、入力データに固有の不確実性とを区別できることです。 このネットワークは、それぞれ86.0 pm 5.5 M_Earth $、43.8 pm 3.3 M_Earth $、92.2 pm 5.1 M_Earth $と予測している。
  論文  参考訳（メタデータ） (2022-02-23T19:00:05Z)
• DPNNet-2.0 Part I: Finding hidden planets from simulated images of protoplanetary disk gaps [6.2194417376659015]
  DPNNet citepaud20に次いで第2のDPNNet-2.0を導入し,原始惑星円盤のシミュレーション画像から直接外惑星質量を予測する。 この研究は、アタカマ大 (sub-)Millimeter Array) のような望遠鏡による塵面密度マップで観測された惑星間隙から外惑星の質量を直接抽出するコンピュータビジョン(CNNの実装)の利用に向けた最初のステップである。
  論文  参考訳（メタデータ） (2021-07-19T18:00:31Z)
• JKOnet: Proximal Optimal Transport Modeling of Population Dynamics [69.89192135800143]
  入力凸ニューラルネットワーク(ICNN)を用いて解いた(小さな)最適変位と測定値のエネルギーモデルを組み合わせたニューラルアーキテクチャを提案する。 人口動態の説明と予測のためのモデルの適用性を実証する。
  論文  参考訳（メタデータ） (2021-06-11T12:30:43Z)
• Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
  本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。 破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T14:19:07Z)
• Deep learning for gravitational-wave data analysis: A resampling white-box approach [62.997667081978825]
  我々は、LIGO検出器からの単一干渉計データを用いて、畳み込みニューラルネットワーク(CNN)を用いて、コンパクトなバイナリコレッセンスにおける重力波(GW)信号を検出する。 CNNはノイズを検出するのに非常に正確だが、GW信号のリコールに十分な感度がないため、CNNはGWトリガの生成よりもノイズ低減に適している。
  論文  参考訳（メタデータ） (2020-09-09T03:28:57Z)

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。