論文の概要: Exoplanet Characterization using Conditional Invertible Neural Networks
- arxiv url: http://arxiv.org/abs/2202.00027v1
- Date: Mon, 31 Jan 2022 19:00:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-02 15:28:00.269807
- Title: Exoplanet Characterization using Conditional Invertible Neural Networks
- Title（参考訳）: 条件付き可逆ニューラルネットワークを用いた外惑星のキャラクタリゼーション
- Authors: Jonas Haldemann, Victor Ksoll, Daniel Walter, Yann Alibert, Ralf S.
Klessen, Willy Benz, Ullrich Koethe, Lynton Ardizzone, Carsten Rother
- Abstract要約: 条件付き可逆ニューラルネットワーク(英: Conditional Invertible Neural Network, CINN)は、逆問題の解法に優れた特殊なタイプのニューラルネットワークである。
我々は,cINNsが標準的な時間的サンプリング手法の代替となる可能性を示す。
- 参考スコア（独自算出の注目度）: 21.516242058639637
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The characterization of an exoplanet's interior is an inverse problem, which
requires statistical methods such as Bayesian inference in order to be solved.
Current methods employ Markov Chain Monte Carlo (MCMC) sampling to infer the
posterior probability of planetary structure parameters for a given exoplanet.
These methods are time consuming since they require the calculation of a large
number of planetary structure models. To speed up the inference process when
characterizing an exoplanet, we propose to use conditional invertible neural
networks (cINNs) to calculate the posterior probability of the internal
structure parameters. cINNs are a special type of neural network which excel in
solving inverse problems. We constructed a cINN using FrEIA, which was then
trained on a database of $5.6\cdot 10^6$ internal structure models to recover
the inverse mapping between internal structure parameters and observable
features (i.e., planetary mass, planetary radius and composition of the host
star). The cINN method was compared to a Metropolis-Hastings MCMC. For that we
repeated the characterization of the exoplanet K2-111 b, using both the MCMC
method and the trained cINN. We show that the inferred posterior probability of
the internal structure parameters from both methods are very similar, with the
biggest differences seen in the exoplanet's water content. Thus cINNs are a
possible alternative to the standard time-consuming sampling methods. Indeed,
using cINNs allows for orders of magnitude faster inference of an exoplanet's
composition than what is possible using an MCMC method, however, it still
requires the computation of a large database of internal structures to train
the cINN. Since this database is only computed once, we found that using a cINN
is more efficient than an MCMC, when more than 10 exoplanets are characterized
using the same cINN.
- Abstract（参考訳）: 太陽系外惑星の内部のキャラクタリゼーションは逆問題であり、解けるためにはベイズ推論のような統計的方法を必要とする。
現在の手法では、マルコフ・チェイン・モンテカルロ(MCMC)サンプリングを用いて、与えられた外惑星の惑星構造パラメータの後方確率を推定している。
これらの方法は、多くの惑星構造モデルの計算を必要とするため、時間がかかる。
太陽系外惑星を特徴付ける際の推論過程を高速化するために,条件付き可逆ニューラルネットワーク(cINN)を用いて内部構造パラメータの後方確率を計算することを提案する。
cINNは、逆問題の解法に優れた特殊なタイプのニューラルネットワークである。
我々は、FrEIAを用いてcINNを構築し、内部構造パラメータと観測可能な特徴(惑星質量、惑星半径、ホスト星の構成)の間の逆マッピングを復元するために、5.6\cdot 10^6$の内部構造モデルのデータベースで訓練した。
cINN法はMetropolis-Hastings MCMCと比較した。
そこで, MCMC法とcINNを併用し, 太陽系外惑星K2-111bのキャラクタリゼーションを繰り返した。
両方の方法から推定される内部構造パラメータの後方確率は、太陽系外惑星の水分量に最も大きな差が見られるため、非常によく似ている。
したがって、cINNは標準的な時間的サンプリング手法の代替となる可能性がある。
実際、cINNを使用することで、MCMC法よりもはるかに高速な太陽系外惑星の組成推定が可能になるが、cINNを訓練するためには内部構造の大規模なデータベースの計算が必要である。
このデータベースは一度しか計算されないため、同じcINNを用いて10個以上の太陽系外惑星を特徴付ける場合、cINNの使用はMCMCよりも効率的であることがわかった。
関連論文リスト
- Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。
既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
論文 参考訳（メタデータ） (2025-02-15T19:10:35Z) - NeuralCMS: A deep learning approach to study Jupiter's interior [0.0]
本稿では,高精度広範囲内部モデルを生成するために,効率的なディープニューラルネットワーク(DNN)モデルを提案する。
我々は、木星の4層内部モデルのための大きなCMS結果の集合を用いた共有ベースのDNNを訓練した。
ニューラルCMSは重力モーメントの予測において非常に優れた性能を示し、差動回転による不確実性に匹敵する誤差と非常に正確な質量予測を示す。
論文 参考訳（メタデータ） (2024-05-15T10:55:16Z) - Universal Neural Functionals [67.80283995795985]
多くの現代の機械学習タスクでは、ウェイトスペース機能を処理することが難しい問題である。
最近の研究は、単純なフィードフォワードネットワークの置換対称性に同値な有望な重み空間モデルを開発した。
本研究は,任意の重み空間に対する置換同変モデルを自動的に構築するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-02-07T20:12:27Z) - FlopPITy: Enabling self-consistent exoplanet atmospheric retrievals with
machine learning [0.0]
本研究では,外惑星大気探査のための逐次的ニューラルリテラル推定(SNPE)を実装・テストする。
目標は、検索をスピードアップして、より計算コストの高い大気モデルで実行できるようにすることだ。
我々はARCiSを用いて100個の合成観察を行い、SNPE後肢の忠実度を検査する。
論文 参考訳（メタデータ） (2024-01-08T19:00:02Z) - ExoMDN: Rapid characterization of exoplanet interior structures with
Mixture Density Networks [0.0]
太陽系外惑星の内在性評価のための機械学習モデルであるExoMDNを提案する。
ExoMDNは、標準のIntel i5 CPU上で、各惑星層の質量分率と厚さの完全な後部分布を1秒以下で実現できることを示す。
我々はエクソMDNを用いて、質量と半径の不確かさがそれぞれ10%と5%以下である22個の確認された太陽系外惑星の内部を特徴付ける。
論文 参考訳（メタデータ） (2023-06-15T10:00:03Z) - A Recursively Recurrent Neural Network (R2N2) Architecture for Learning
Iterative Algorithms [64.3064050603721]
本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。
本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
論文 参考訳（メタデータ） (2022-11-22T16:30:33Z) - Differentiable and Transportable Structure Learning [73.84540901950616]
本稿では,新しいアーキテクチャと損失関数により,発見された構造物の輸送性を回復するD-Structを紹介する。
D-Structは依然として微分可能であるため、既存の微分可能アーキテクチャでは容易に適用できる。
論文 参考訳（メタデータ） (2022-06-13T17:50:53Z) - 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 $と予測している。
論文 参考訳（メタデータ） (2022-02-23T19:00:05Z) - PGNets: Planet mass prediction using convolutional neural networks for
radio continuum observations of protoplanetary disks [0.0]
原始惑星円盤中の若い惑星によって誘導される構造は、潜在的に若い惑星の性質を推測するために用いられる。
2次元画像から惑星質量を推定するためのPlanet Gap Neural Networks(PGNets)を開発した。
線形フィッティング法で見られる$alpha$$propto $M_p3$を再現する。
論文 参考訳（メタデータ） (2021-11-30T08:12:08Z) - The Separation Capacity of Random Neural Networks [78.25060223808936]
標準ガウス重みと一様分布バイアスを持つ十分に大きな2層ReLUネットワークは、この問題を高い確率で解くことができることを示す。
我々は、相互複雑性という新しい概念の観点から、データの関連構造を定量化する。
論文 参考訳（メタデータ） (2021-07-31T10:25:26Z) - Provably Efficient Neural Estimation of Structural Equation Model: An
Adversarial Approach [144.21892195917758]
一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。
線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。
提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
論文 参考訳（メタデータ） (2020-07-02T17:55:47Z)
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。