論文の概要: Unsupervised Domain Adaptation for Constraining Star Formation Histories
- arxiv url: http://arxiv.org/abs/2112.14072v1
- Date: Tue, 28 Dec 2021 10:01:28 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 16:13:08.691226
- Title: Unsupervised Domain Adaptation for Constraining Star Formation Histories
- Title(参考訳): 星形成史の拘束のための教師なしドメイン適応
- Authors: Sankalp Gilda, Antoine de Mathelin, Sabine Bellstedt and Guillaume
Richard
- Abstract要約: 宇宙の形成を理解するためには、銀河の可視質量の時間進化を導き出さなければならない。
宇宙物理学者は スーパーコンピュータを活用し 銀河のシミュレーションモデルを進化させます 宇宙の現在の時代まで
我々は、シミュレーションデータを用いて、銀河の正確なSFHを導出するための教師なし領域適応の能力について議論する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The prevalent paradigm of machine learning today is to use past observations
to predict future ones. What if, however, we are interested in knowing the past
given the present? This situation is indeed one that astronomers must contend
with often. To understand the formation of our universe, we must derive the
time evolution of the visible mass content of galaxies. However, to observe a
complete star life, one would need to wait for one billion years! To overcome
this difficulty, astrophysicists leverage supercomputers and evolve simulated
models of galaxies till the current age of the universe, thus establishing a
mapping between observed radiation and star formation histories (SFHs). Such
ground-truth SFHs are lacking for actual galaxy observations, where they are
usually inferred -- with often poor confidence -- from spectral energy
distributions (SEDs) using Bayesian fitting methods. In this investigation, we
discuss the ability of unsupervised domain adaptation to derive accurate SFHs
for galaxies with simulated data as a necessary first step in developing a
technique that can ultimately be applied to observational data.
- Abstract(参考訳): 今日の機械学習の一般的なパラダイムは、過去の観測を使って将来の観測を予測することである。
しかし、もし私たちが過去を知ることに興味があるとしたら?
この状況は、天文学者がしばしば争わなければならないものである。
我々の宇宙の形成を理解するためには、銀河の可視質量の時間発展を導出しなければならない。
しかし、完全な恒星の寿命を観察するには、10億年待つ必要がある。
この困難を克服するために、天体物理学者はスーパーコンピュータを活用し、宇宙の現在の時代まで銀河のシミュレーションモデルを進化させ、観測された放射と星形成史(SFH)のマッピングを確立する。
このような地道なSFHは実際の銀河観測に欠如しており、ベイジアンフィッティング法を用いてスペクトルエネルギー分布(SED)から、しばしば不確かさで推測される。
本研究では、観測データに適用可能な技術を開発する上で必要な第一歩として、シミュレーションデータを用いた銀河の正確なSFHを導出するための教師なし領域適応の可能性について議論する。
関連論文リスト
- Predicting the Age of Astronomical Transients from Real-Time
Multivariate Time Series [0.0]
新しい天文学的なスカイサーベイは、すぐに前例のない数のトランジェントを記録するだろう。
本稿では,複数波長の時系列観測からリアルタイムに過渡現象の年齢を推定する手法を提案する。
論文 参考訳(メタデータ) (2023-11-28T19:00:00Z) - Temporal Entanglement in Chaotic Quantum Circuits [62.997667081978825]
空間進化(または時空双対性)の概念は量子力学を研究するための有望なアプローチとして現れている。
時間的絡み合いは常に時間における体積法則に従うことを示す。
この時間的絡み合いスペクトルの予期せぬ構造は、空間進化の効率的な計算実装の鍵となるかもしれない。
論文 参考訳(メタデータ) (2023-02-16T18:56:05Z) - Predictive World Models from Real-World Partial Observations [66.80340484148931]
本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。
従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
論文 参考訳(メタデータ) (2023-01-12T02:07:26Z) - Applications of AI in Astronomy [0.0]
本稿では、天文学、天体物理学、宇宙論における機械学習(ML)およびその他のAI手法の使用の概要について述べる。
過去10年間で、さまざまなML/AI応用を含む天文学文献が指数関数的に成長してきた。
データの複雑さが増し続ければ、協力的な人間とAIの発見につながるさらなる進歩が期待できる。
論文 参考訳(メタデータ) (2022-12-03T00:38:59Z) - Astronomia ex machina: a history, primer, and outlook on neural networks
in astronomy [0.0]
我々は天文学における接続性の進化をその3つの波で追跡した。
我々は、天文学的な応用のために微調整されたGPTライクな基礎モデルの採用を論じる。
論文 参考訳(メタデータ) (2022-11-07T19:00:00Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳(メタデータ) (2022-11-01T18:07:21Z) - First Full-Event Reconstruction from Imaging Atmospheric Cherenkov
Telescope Real Data with Deep Learning [55.41644538483948]
チェレンコフ望遠鏡アレイは、地上のガンマ線天文学の未来である。
地上で作られた最初のプロトタイプ望遠鏡であるLarge Size Telescope 1は現在、最初の科学データを収集している。
我々は、深層畳み込みニューラルネットワークに基づくフルイベント再構築の開発とその実データへの適用を初めて提示する。
論文 参考訳(メタデータ) (2021-05-31T12:51:42Z) - Fast and Accurate Non-Linear Predictions of Universes with Deep Learning [21.218297581239664]
我々は、高速線形予測を数値シミュレーションから完全に非線形な予測に変換するV-Netベースのモデルを構築した。
我々のNNモデルはシミュレーションを小さなスケールにエミュレートすることを学び、現在の最先端の近似手法よりも高速かつ高精度である。
論文 参考訳(メタデータ) (2020-12-01T03:30:37Z) - 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) - Perpetual Motion: Generating Unbounded Human Motion [61.40259979876424]
我々は、長期的な予測、つまり、人間の動きの長いシーケンスを生成することに焦点を当てる。
本研究では,非決定論的,テキストに変化する,永続的な人間の動きを生成するモデルを提案する。
我々は、これをホワイトノイズガウス過程のKL分岐の重み付き関数を用いて訓練し、潜時シーケンスの時間依存性を許容する。
論文 参考訳(メタデータ) (2020-07-27T21:50:36Z) - Predicting star formation properties of galaxies using deep learning [0.0]
本稿では、恒星質量、星形成速度、塵の3つの重要な星形成特性を予測するための深層学習手法を提案する。
我々は,標準星群合成符号の出力との比較により,ディープラーニングモデルの性能を特徴付ける。
論文 参考訳(メタデータ) (2020-02-10T07:04:21Z)
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。