論文の概要: Constraining cosmological parameters from N-body simulations with
Bayesian Neural Networks
- arxiv url: http://arxiv.org/abs/2112.11865v1
- Date: Wed, 22 Dec 2021 13:22:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-23 16:07:10.167869
- Title: Constraining cosmological parameters from N-body simulations with
Bayesian Neural Networks
- Title(参考訳): ベイズニューラルネットワークを用いたN体シミュレーションによる宇宙パラメータの制約
- Authors: Hector J. Hortua
- Abstract要約: 我々は、ベイジアンニューラルネットワークを通して宇宙パラメータを抽出するために、The Quijoteシミュレーションを使用する。
この種のモデルには、関連する不確実性を推定する顕著な能力があり、これは精密宇宙論の時代における最終的な目標の1つである。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we use The Quijote simulations in order to extract the
cosmological parameters through Bayesian Neural Networks. This kind of model
has a remarkable ability to estimate the associated uncertainty, which is one
of the ultimate goals in the precision cosmology era. We demonstrate the
advantages of BNNs for extracting more complex output distributions and
non-Gaussianities information from the simulations.
- Abstract(参考訳): 本稿では,ベイズニューラルネットワークを用いて宇宙パラメータを抽出するために,The Quijoteシミュレーションを用いる。
この種のモデルは関連する不確実性を推定する顕著な能力を持ち、これは精密宇宙論の時代における最終的な目標の1つである。
より複雑な出力分布と非ガウス性情報をシミュレーションから抽出するBNNの利点を実証する。
関連論文リスト
- Low-Budget Simulation-Based Inference with Bayesian Neural Networks [6.076337482187888]
ベイジアンニューラルネットワークは,数百のシミュレーションで情報的,よく校正された後続推定を導出することを示す。
これにより、非常に高価なシミュレータを使用して、信頼性の高いシミュレーションベースの推論を実行する可能性が開ける。
論文 参考訳(メタデータ) (2024-08-27T15:19:07Z) - Domain Adaptive Graph Neural Networks for Constraining Cosmological Parameters Across Multiple Data Sets [40.19690479537335]
DA-GNNは,データセット間のタスクにおいて高い精度とロバスト性を実現する。
このことは、DA-GNNがドメインに依存しない宇宙情報を抽出するための有望な方法であることを示している。
論文 参考訳(メタデータ) (2023-11-02T20:40:21Z) - Symmetric Pruning in Quantum Neural Networks [111.438286016951]
量子ニューラルネットワーク(QNN)は、現代の量子マシンの力を発揮する。
ハンドクラフト対称アンサーゼを持つQNNは、一般に非対称アンサーゼを持つものよりも訓練性が高い。
本稿では,QNNのグローバル最適収束を定量化するために,実効量子ニューラルネットワークカーネル(EQNTK)を提案する。
論文 参考訳(メタデータ) (2022-08-30T08:17:55Z) - Robust Simulation-Based Inference in Cosmology with Bayesian Neural
Networks [3.497773679350512]
SBIのトレーニングにベイズネットワークフレームワークを用いることでバイアスを軽減し、トレーニングセット外のより信頼性の高い推論を実現する方法を示す。
SWAGは、宇宙論における平均ウェイト平均化の最初の応用であり、マイクロ波背景の推測のために訓練されたSBIに適用する。
論文 参考訳(メタデータ) (2022-07-18T08:41:00Z) - Neural Posterior Estimation with Differentiable Simulators [58.720142291102135]
微分可能シミュレータを用いてニューラル・ポストミラー推定(NPE)を行う新しい手法を提案する。
勾配情報が後部形状の制約にどのように役立ち、試料効率を向上させるかを示す。
論文 参考訳(メタデータ) (2022-07-12T16:08:04Z) - 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) - Field Level Neural Network Emulator for Cosmological N-body Simulations [7.051595217991437]
非線形状態において高精度な宇宙構造形成のためのフィールドレベルエミュレータを構築した。
我々は、2つの畳み込みニューラルネットワークを用いて、N体シミュレーション粒子の非線形変位と速度を出力する。
論文 参考訳(メタデータ) (2022-06-09T16:21:57Z) - Fermionic approach to variational quantum simulation of Kitaev spin
models [50.92854230325576]
キタエフスピンモデルは、自由フェルミオンへの写像を通じて、あるパラメータ状態において正確に解けることで知られている。
古典的なシミュレーションを用いて、このフェルミオン表現を利用する新しい変分アンザッツを探索する。
また、量子コンピュータ上での非アベリアオンをシミュレートするための結果の意味についてもコメントする。
論文 参考訳(メタデータ) (2022-04-11T18:00:01Z) - Comparative Analysis of Interval Reachability for Robust Implicit and
Feedforward Neural Networks [64.23331120621118]
我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。
INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。
提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
論文 参考訳(メタデータ) (2022-04-01T03:31:27Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Learning the Evolution of the Universe in N-body Simulations [27.935462625522575]
非線型状態の予測を得るために、大規模なN体シミュレーションが構築されている。
n体シミュレーションは計算コストが高く、大量のデータを生成し、ストレージに負担をかける。
非線形n体シミュレーションを中間時間ステップで予測するために,ディープニューラルネットワークモデルを用いる。
論文 参考訳(メタデータ) (2020-12-10T06:27:12Z)
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。