論文の概要: Using Bayesian Deep Learning to infer Planet Mass from Gaps in Protoplanetary Disks

• arxiv url: http://arxiv.org/abs/2202.11730v1
• Date: Wed, 23 Feb 2022 19:00:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-25 18:12:33.097310
• Title: Using Bayesian Deep Learning to infer Planet Mass from Gaps in Protoplanetary Disks
• Title（参考訳）: ベイズ深層学習を用いて原始惑星系円盤のギャップから惑星質量を推定する
• Authors: Sayantan Auddy, Ramit Dey, Min-Kai Lin (ASIAA, NCTS Physics Division), Daniel Carrera, and Jacob B. Simon
• Abstract要約: 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。
• 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: Planet induced sub-structures, like annular gaps, observed in dust emission from protoplanetary disks provide a unique probe to characterize unseen young planets. While deep learning based model has an edge in characterizing the planet's properties over traditional methods, like customized simulations and empirical relations, it lacks in its ability to quantify the uncertainty associated with its predictions. In this paper, we introduce a Bayesian deep learning network "DPNNet-Bayesian" that can predict planet mass from disk gaps and provides uncertainties associated with the prediction. A unique feature of our approach is that it can distinguish between the uncertainty associated with the deep learning architecture and uncertainty inherent in the input data due to measurement noise. The model is trained on a data set generated from disk-planet simulations using the \textsc{fargo3d} hydrodynamics code with a newly implemented fixed grain size module and improved initial conditions. The Bayesian framework enables estimating a gauge/confidence interval over the validity of the prediction when applied to unknown observations. As a proof-of-concept, we apply DPNNet-Bayesian to dust gaps observed in HL Tau. The network predicts masses of $ 86.0 \pm 5.5 M_{\Earth} $, $ 43.8 \pm 3.3 M_{\Earth} $, and $ 92.2 \pm 5.1 M_{\Earth} $ respectively, which are comparable to other studies based on specialized simulations.
• Abstract（参考訳）: 原始惑星円盤からの塵の放出で観測される環状ギャップのような惑星誘導サブ構造は、未発見の若い惑星を特徴づけるユニークなプローブを提供する。 深層学習に基づくモデルは、カスタマイズされたシミュレーションや経験的関係のような従来の手法よりも惑星の性質を特徴づける際、その予測に関連する不確実性を定量化する能力に欠ける。 本稿では、ディスクギャップから惑星の質量を予測し、予測に関連する不確実性を提供するベイズ深層学習ネットワーク「DPNNet-Bayesian」を提案する。 こ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、測定ノイズに起因する入力データに固有の不確実性とを区別できることである。 このモデルは, 新たに実装された固定粒度モジュールと初期条件の改善により, ディスクプラネットシミュレーションから生成されたデータセットに基づいて訓練される。 ベイズフレームワークは、未知の観測に適用した場合の予測の有効性よりもゲージ/信頼区間を推定できる。 概念実証として, HL Tauで観測されたダストギャップにDPNNet-Bayesianを適用した。 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。

関連論文リスト

• 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)
• Human Trajectory Forecasting with Explainable Behavioral Uncertainty [63.62824628085961]
  人間の軌道予測は人間の行動を理解し予測し、社会ロボットから自動運転車への応用を可能にする。 モデルフリー手法は予測精度が優れているが説明可能性に欠ける一方、モデルベース手法は説明可能性を提供するが、よく予測できない。 BNSP-SFMは,11種類の最先端手法と比較して,予測精度を最大50%向上することを示す。
  論文  参考訳（メタデータ） (2023-07-04T16:45:21Z)
• ExoplANNET: A deep learning algorithm to detect and identify planetary signals in radial velocity data [0.0]
  放射速度法で検出された信号の意義の計算に代えて,ニューラルネットワークを提案する。 このアルゴリズムは、惑星の伴星を伴わないシステムの合成データを用いて訓練される。 偽陽性は28パーセント減少し、実行時間は従来の方法よりも5桁高速である。
  論文  参考訳（メタデータ） (2023-03-16T14:16:19Z)
• Strategic Geosteeering Workflow with Uncertainty Quantification and Deep Learning: A Case Study on the Goliat Field [0.0]
  本稿では,オフラインとオンラインのフェーズからなる実践的なワークフローを提案する。 オフラインフェーズには、不確実な事前ニアウェルジオモデルのトレーニングと構築が含まれている。 オンラインフェーズでは、フレキシブルな反復アンサンブルスムーズ(FlexIES)を使用して、極深電磁データのリアルタイム同化を行う。
  論文  参考訳（メタデータ） (2022-10-27T15:38:26Z)
• 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)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• 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)
• Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
  ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。 LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。 標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
  論文  参考訳（メタデータ） (2021-06-23T18:00:05Z)
• Calibration and Uncertainty Quantification of Bayesian Convolutional Neural Networks for Geophysical Applications [0.0]
  このような地下モデルによる予測の不確実性は、キャリブレーションされた確率と関連する不確かさを予測に組み込むのが一般的である。 一般的なディープラーニングベースのモデルは、しばしば誤解され、決定論的性質のため、予測の不確実性を解釈する手段がないことが示されている。 ベイズ形式論における畳み込みニューラルネットワークに基づく確率モデルを得るための3つの異なるアプローチを比較した。
  論文  参考訳（メタデータ） (2021-05-25T17:54:23Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。