論文の概要: Predicting the Thermal Sunyaev-Zel'dovich Field using Modular and Equivariant Set-Based Neural Networks

• arxiv url: http://arxiv.org/abs/2203.00026v1
• Date: Mon, 28 Feb 2022 19:00:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-04 10:06:35.480868
• Title: Predicting the Thermal Sunyaev-Zel'dovich Field using Modular and Equivariant Set-Based Neural Networks
• Title（参考訳）: Modular and Equivariant Set-based Neural Networks を用いた熱スニャーエフ・ゼルドビッチ場の予測
• Authors: Leander Thiele, Miles Cranmer, William Coulton, Shirley Ho, David N. Spergel
• Abstract要約: 我々は、銀河団内の連続電子圧場を予測するために、IllustrisTNG-300宇宙学シミュレーションでニューラルネットワークを訓練する。 我々は、設定したダークマター粒子を直接操作するために、回転型DeepSetsアーキテクチャを用いる。
• 参考スコア（独自算出の注目度）: 1.7709249262395885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Theoretical uncertainty limits our ability to extract cosmological information from baryonic fields such as the thermal Sunyaev-Zel'dovich (tSZ) effect. Being sourced by the electron pressure field, the tSZ effect depends on baryonic physics that is usually modeled by expensive hydrodynamic simulations. We train neural networks on the IllustrisTNG-300 cosmological simulation to predict the continuous electron pressure field in galaxy clusters from gravity-only simulations. Modeling clusters is challenging for neural networks as most of the gas pressure is concentrated in a handful of voxels and even the largest hydrodynamical simulations contain only a few hundred clusters that can be used for training. Instead of conventional convolutional neural net (CNN) architectures, we choose to employ a rotationally equivariant DeepSets architecture to operate directly on the set of dark matter particles. We argue that set-based architectures provide distinct advantages over CNNs. For example, we can enforce exact rotational and permutation equivariance, incorporate existing knowledge on the tSZ field, and work with sparse fields as are standard in cosmology. We compose our architecture with separate, physically meaningful modules, making it amenable to interpretation. For example, we can separately study the influence of local and cluster-scale environment, determine that cluster triaxiality has negligible impact, and train a module that corrects for mis-centering. Our model improves by 70 % on analytic profiles fit to the same simulation data. We argue that the electron pressure field, viewed as a function of a gravity-only simulation, has inherent stochasticity, and model this property through a conditional-VAE extension to the network. This modification yields further improvement by 7 %, it is limited by our small training set however. (abridged)
• Abstract（参考訳）: 理論的不確実性は、熱スニャーエフ・ゼルドビッチ (tSZ) 効果のようなバリオン場から宇宙情報を抽出する能力を制限する。 電子圧力場によって引き起こされるtSZ効果は、通常高価な流体力学シミュレーションによってモデル化されるバリオン物理学に依存する。 我々は、重力のみのシミュレーションから銀河団の連続電子圧場を予測するために、IllustrisTNG-300宇宙学シミュレーションでニューラルネットワークを訓練する。 ガス圧のほとんどがいくつかのボクセルに集中しており、最大の流体力学シミュレーションでさえ、トレーニングに使用できる数百のクラスターしか含まないため、ニューラルネットワークのモデリングは困難である。 従来の畳み込みニューラルネット(CNN)アーキテクチャの代わりに、回転同変のDeepSetsアーキテクチャを用いてダークマター粒子の集合を直接操作する。 我々は、集合ベースのアーキテクチャはcnnに対して異なる利点をもたらすと主張している。 例えば、正確な回転と置換の等式を強制し、tSZ体上の既存の知識を取り入れ、宇宙論の標準となるスパース場を扱うことができる。 アーキテクチャを別々に物理的に意味のあるモジュールで構成し、解釈が可能である。 例えば、ローカル環境とクラスタスケール環境の影響を別々に調査し、クラスタ三軸性が無視できる影響を判断し、ミスセンタリングを補正するモジュールを訓練することができる。 このモデルでは,同じシミュレーションデータに適合する解析プロファイルを70%改善する。 電子圧力場は、重力のみのシミュレーションの関数と見なされ、本質的に確率性を持ち、ネットワークへの条件付きVAE拡張を通じてこの特性をモデル化する。 この変更により、さらなる改善は7%となり、小さなトレーニングセットによって制限される。 (橋渡し)

関連論文リスト

• Universal Physics Transformers: A Framework For Efficiently Scaling Neural Operators [12.165876595927452]
  ユニバーサル物理変換器(Universal Physics Transformer、UPT)は、幅広い問題に対して効率的かつ統一的な学習パラダイムである。 UPTはグリッドやパーティクルベースの潜在メッシュを使わずに動作し、構造や粒子間の柔軟性を実現する。 メッシュ型流体シミュレーションおよび定常レイノルズ平均Navier-StokesシミュレーションにおけるUTTの適用性と有効性を示した。
  論文  参考訳（メタデータ） (2024-02-19T18:52:13Z)
• Neural SPH: Improved Neural Modeling of Lagrangian Fluid Dynamics [10.420017109857765]
  平滑粒子流体力学(Smoothed Particle hydrodynamics、SPH)は、現代の工学と科学の分野において一様である。 シミュレーションの粒子的な性質のため、グラフニューラルネットワーク(GNN)は魅力的なサロゲートとして登場し、成功した。 本研究では, 引張不安定性に起因する粒子群集を主要な落とし穴の1つとして同定する。
  論文  参考訳（メタデータ） (2024-02-09T09:40:12Z)
• NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
  薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。 メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
  論文  参考訳（メタデータ） (2023-08-24T17:59:54Z)
• Physics-informed machine learning with differentiable programming for heterogeneous underground reservoir pressure management [64.17887333976593]
  地下貯水池の過圧化を避けることは、CO2の沈殿や排水の注入といった用途に欠かせない。 地中における複雑な不均一性のため, 噴射・抽出制御による圧力管理は困難である。 過圧化防止のための流体抽出速度を決定するために、フル物理モデルと機械学習を用いた微分可能プログラミングを用いる。
  論文  参考訳（メタデータ） (2022-06-21T20:38:13Z)
• 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)
• Equivariant vector field network for many-body system modeling [65.22203086172019]
  Equivariant Vector Field Network (EVFN) は、新しい同変層と関連するスカラー化およびベクトル化層に基づいて構築されている。 シミュレーションされたニュートン力学系の軌跡を全観測データと部分観測データで予測する手法について検討した。
  論文  参考訳（メタデータ） (2021-10-26T14:26:25Z)
• A Gradient-based Deep Neural Network Model for Simulating Multiphase Flow in Porous Media [1.5791732557395552]
  多孔質媒体の多相流に関する物理に制約された勾配に基づくディープニューラルネットワーク(GDNN)について述べる。 GDNNが非線型応答の非線型パターンを効果的に予測できることを実証する。
  論文  参考訳（メタデータ） (2021-04-30T02:14:00Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Machine learning for rapid discovery of laminar flow channel wall modifications that enhance heat transfer [56.34005280792013]
  任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。 畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2021-01-19T16:14:02Z)
• Simulating nonnative cubic interactions on noisy quantum machines [65.38483184536494]
  量子プロセッサは、ハードウェアに固有のものではないダイナミクスを効率的にシミュレートするためにプログラムできることを示す。 誤差補正のないノイズのあるデバイスでは、モジュールゲートを用いて量子プログラムをコンパイルするとシミュレーション結果が大幅に改善されることを示す。
  論文  参考訳（メタデータ） (2020-04-15T05:16:24Z)

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。