論文の概要: Augmenting astrophysical scaling relations with machine learning :
application to reducing the SZ flux-mass scatter
- arxiv url: http://arxiv.org/abs/2201.01305v1
- Date: Tue, 4 Jan 2022 19:00:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-06 14:24:05.176918
- Title: Augmenting astrophysical scaling relations with machine learning :
application to reducing the SZ flux-mass scatter
- Title（参考訳）: 機械学習による天体物理スケール関係の増大 : SZフラックス質量散乱低減への応用
- Authors: Digvijay Wadekar, Leander Thiele, Francisco Villaescusa-Navarro, J.
Colin Hill, David N. Spergel, Miles Cranmer, Nicholas Battaglia, Daniel
Angl\'es-Alc\'azar, Lars Hernquist, Shirley Ho
- Abstract要約: We study the Sunyaev-Zeldovich flux$-$cluster mass relation(Y_mathrmSZ-M$)
我々は、Y_mathrmSZ$とイオン化ガスの濃度を組み合わせたクラスター質量の新しいプロキシを求める。
以上の結果から,$c_mathrmgas$への依存は,外部よりも大きな散乱を示すクラスタのコアに関係していることが分かる。
- 参考スコア（独自算出の注目度）: 2.0223261087090303
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Complex systems (stars, supernovae, galaxies, and clusters) often exhibit low
scatter relations between observable properties (e.g., luminosity, velocity
dispersion, oscillation period, temperature). These scaling relations can
illuminate the underlying physics and can provide observational tools for
estimating masses and distances. Machine learning can provide a systematic way
to search for new scaling relations (or for simple extensions to existing
relations) in abstract high-dimensional parameter spaces. We use a machine
learning tool called symbolic regression (SR), which models the patterns in a
given dataset in the form of analytic equations. We focus on the
Sunyaev-Zeldovich flux$-$cluster mass relation ($Y_\mathrm{SZ}-M$), the scatter
in which affects inference of cosmological parameters from cluster abundance
data. Using SR on the data from the IllustrisTNG hydrodynamical simulation, we
find a new proxy for cluster mass which combines $Y_\mathrm{SZ}$ and
concentration of ionized gas ($c_\mathrm{gas}$): $M \propto
Y_\mathrm{conc}^{3/5} \equiv Y_\mathrm{SZ}^{3/5} (1-A\, c_\mathrm{gas})$.
$Y_\mathrm{conc}$ reduces the scatter in the predicted $M$ by $\sim 20-30$% for
large clusters ($M\gtrsim 10^{14}\, h^{-1} \, M_\odot$) at both high and low
redshifts, as compared to using just $Y_\mathrm{SZ}$. We show that the
dependence on $c_\mathrm{gas}$ is linked to cores of clusters exhibiting larger
scatter than their outskirts. Finally, we test $Y_\mathrm{conc}$ on clusters
from simulations of the CAMELS project and show that $Y_\mathrm{conc}$ is
robust against variations in cosmology, astrophysics, subgrid physics, and
cosmic variance. Our results and methodology can be useful for accurate
multiwavelength cluster mass estimation from current and upcoming CMB and X-ray
surveys like ACT, SO, SPT, eROSITA and CMB-S4.
- Abstract（参考訳）: 複雑な系(恒星、超新星、銀河、銀河団)は、観測可能な性質(例えば、光度、速度分散、振動周期、温度)の間の低い散乱関係を示す。
これらのスケーリング関係は基礎となる物理学を照らし、質量と距離を推定するための観測ツールを提供することができる。
機械学習は、抽象的な高次元パラメータ空間において、新しいスケーリング関係(または既存の関係への単純な拡張)を探索する体系的な方法を提供する。
我々は、あるデータセットのパターンを解析方程式の形でモデル化する、シンボル回帰(SR)と呼ばれる機械学習ツールを使用する。
我々は、クラスター存在量データから宇宙論的パラメータの推測に影響を与える散乱である、sunyaev-zeldovich flux$-$cluster mass relation (y_\mathrm{sz}-m$)に注目した。
illustristng hydrodynamical simulationのデータにsrを用い、y_\mathrm{sz}$とイオン化ガス(c_\mathrm{gas}$): $m \propto y_\mathrm{conc}^{3/5} \equiv y_\mathrm{sz}^{3/5} (1-a\, c_\mathrm{gas})$を組み合わせたクラスター質量の新しいプロキシを見つける。
y_\mathrm{conc}$は、$y_\mathrm{sz}$を使用する場合に比べて、大クラスタ (m\gtrsim 10^{14}\, h^{-1} \, m_\odot$) に対して、予測された$m$の散乱を$\sim 20-30$%削減する。
c_\mathrm{gas}$ への依存は、外部よりも大きな散乱を示すクラスタのコアと関連していることを示す。
最後に、camelsプロジェクトのシミュレーションからクラスタ上で$y_\mathrm{conc}$をテストし、$y_\mathrm{conc}$が宇宙論、天体物理学、サブグリッド物理学、宇宙分散のバリエーションに対して堅牢であることを示す。
提案手法は, ACT, SO, SPT, eROSITA, CMB-S4などのX線サーベイおよびCMB-S4の高精度クラスタ質量推定に有用である。
関連論文リスト
- Provably learning a multi-head attention layer [55.2904547651831]
マルチヘッドアテンション層は、従来のフィードフォワードモデルとは分離したトランスフォーマーアーキテクチャの重要な構成要素の1つである。
本研究では,ランダムな例から多面的注意層を実証的に学習する研究を開始する。
最悪の場合、$m$に対する指数的依存は避けられないことを示す。
論文 参考訳（メタデータ） (2024-02-06T15:39:09Z) - Statistical Spatially Inhomogeneous Diffusion Inference [15.167120574781153]
離散観測値から拡散方程式を推定することは統計的課題である。
本稿では,ドリフト$boldsymbolb$と空間的不均一拡散テンソル$D = SigmaSigmaT$のニューラルネットワークによる推定手法を提案する。
論文 参考訳（メタデータ） (2023-12-10T06:52:50Z) - SimBIG: Field-level Simulation-Based Inference of Galaxy Clustering [2.3988372195566443]
本稿では、銀河団のフィールドレベル解析から、宇宙パラメータの最初のシミュレーションベース推論(SBI)を提案する。
重み付き畳み込みニューラルネットワークを用いて、BOSS CMASS銀河サンプルのサブセットにSimBIGを適用し、銀河場の大規模データ圧縮を行う。
この研究は、競合する宇宙学の制約を提示するだけでなく、DESI、PSS、ユークリッドのような今後の銀河調査で追加の宇宙学情報を活用する新しい手法も導入している。
論文 参考訳（メタデータ） (2023-10-23T18:05:32Z) - A Unified Framework for Uniform Signal Recovery in Nonlinear Generative
Compressed Sensing [68.80803866919123]
非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。
本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。
また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
論文 参考訳（メタデータ） (2023-09-25T17:54:19Z) - Effective Minkowski Dimension of Deep Nonparametric Regression: Function
Approximation and Statistical Theories [70.90012822736988]
ディープ非パラメトリック回帰に関する既存の理論は、入力データが低次元多様体上にある場合、ディープニューラルネットワークは本質的なデータ構造に適応できることを示した。
本稿では,$mathcalS$で表される$mathbbRd$のサブセットに入力データが集中するという緩和された仮定を導入する。
論文 参考訳（メタデータ） (2023-06-26T17:13:31Z) - Statistical Learning under Heterogeneous Distribution Shift [71.8393170225794]
ground-truth predictor is additive $mathbbE[mathbfz mid mathbfx,mathbfy] = f_star(mathbfx) +g_star(mathbfy)$.
論文 参考訳（メタデータ） (2023-02-27T16:34:21Z) - The SZ flux-mass ($Y$-$M$) relation at low halo masses: improvements
with symbolic regression and strong constraints on baryonic feedback [2.436653298863297]
AGNと超新星のフィードバックは、CMBサーベイによるハロのSZフラックスの総合的な測定に影響を与える可能性がある。
低質量のフィードバックプロセスに対してより堅牢な$Y-M$関係の類似を探索する。
この結果は,今後のSZ調査を用いて,バリオニクスフィードバックの性質を制約する上で有用である。
論文 参考訳（メタデータ） (2022-09-05T18:00:00Z) - DeepLSS: breaking parameter degeneracies in large scale structure with
deep learning analysis of combined probes [0.0]
我々は、弱い重力レンズと銀河クラスタリングを組み合わせた深層学習分析により、これらの退化を効果的に破壊できることを示した。
これらの退化によって、$sigma_8$と$Omega_m$の制約パワーが大幅に向上し、メリットの数値が15倍になった。
これらの結果は、機械学習による宇宙論的推論に対する、完全に数値的な地図に基づく前方モデリングアプローチが、今後のLSS調査において重要な役割を果たすことを示唆している。
論文 参考訳（メタデータ） (2022-03-17T21:08:31Z) - 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) - Random matrices in service of ML footprint: ternary random features with
no performance loss [55.30329197651178]
我々は、$bf K$ の固有スペクトルが$bf w$ の i.d. 成分の分布とは独立であることを示す。
3次ランダム特徴(TRF)と呼ばれる新しいランダム手法を提案する。
提案したランダムな特徴の計算には乗算が不要であり、古典的なランダムな特徴に比べてストレージに$b$のコストがかかる。
論文 参考訳（メタデータ） (2021-10-05T09:33:49Z) - Mass Estimation of Galaxy Clusters with Deep Learning I:
Sunyaev-Zel'dovich Effect [0.0]
本稿では,マイクロ波空の画像から直接銀河団の質量を推定する深層学習の新たな応用を提案する。
我々は、宇宙マイクロ波背景(CMB)、ほこりや電波銀河からの信号、計器ノイズ、クラスタ独自のSZ信号を含むマイクロ波空のシミュレーション画像を用いて、深層学習モデルを訓練し、テストする。
我々は, 磁気流体力学シミュレーションを用いて, 方位対称SZプロファイルを訓練しても, 現実的なSZプロファイルに対して有効であることを確認した。
論文 参考訳（メタデータ） (2020-03-13T07:16:20Z)
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。