論文の概要: Sensitivity Estimation for Dark Matter Subhalos in Synthetic Gaia DR2 using Deep Learning

• arxiv url: http://arxiv.org/abs/2203.08161v1
• Date: Tue, 15 Mar 2022 18:00:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-18 14:06:44.782153
• Title: Sensitivity Estimation for Dark Matter Subhalos in Synthetic Gaia DR2 using Deep Learning
• Title（参考訳）: 深層学習による合成gaia dr2中の暗黒物質サブハロの感度推定
• Authors: Abdullah Bazarov, Mar\'ia Benito, Gert H\"utsi, Rain Kipper, Joosep Pata and Sven P\~oder
• Abstract要約: 本稿では, ダークマターサブハロの通過によって位相空間分布が乱れうる恒星を, 機械学習を用いて検出する課題について述べる。 まず、異常検出アルゴリズムを用いて、シミュレーション銀河の摂動の大きさを定量化する。 約50億個の合成星オブザーバブルに最適化された分類アルゴリズムは、軽度だが非ゼロ感度を示す。
• 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: The abundance of dark matter subhalos orbiting a host galaxy is a generic prediction of the cosmological framework. It is a promising way to constrain the nature of dark matter. Here we describe the challenges of detecting stars whose phase-space distribution may be perturbed by the passage of dark matter subhalos using a machine learning approach. The training data are three Milky Way-like galaxies and nine synthetic Gaia DR2 surveys derived from these. We first quantify the magnitude of the perturbations in the simulated galaxies using an anomaly detection algorithm. We also estimate the feasibility of this approach in the Gaia DR2-like catalogues by comparing the anomaly detection based approach with a supervised classification. We find that a classification algorithm optimized on about half a billion synthetic star observables exhibits mild but nonzero sensitivity. This classification-based approach is not sufficiently sensitive to pinpoint the exact locations of subhalos in the simulation, as would be expected from the very limited number of subhalos in the detectable region. The enormous size of the Gaia dataset motivates the further development of scalable and accurate computational methods that could be used to select potential regions of interest for dark matter searches to ultimately constrain the Milky Way's subhalo mass function.
• Abstract（参考訳）: 宿主銀河を公転する暗黒物質サブハロースの存在は、宇宙論の枠組みの一般的な予測である。 これは暗黒物質の性質を制限する有望な方法である。 ここでは, ダークマターサブハロースの通過によって位相空間分布が乱れうる恒星を, 機械学習を用いて検出する課題について述べる。 トレーニングデータは、3つの銀河系のような銀河と9つの合成ガイア DR2サーベイである。 まず,異常検出アルゴリズムを用いてシミュレーション銀河の摂動の大きさを定量化した。 また,異常検出に基づくアプローチと教師付き分類との比較により,ガイア DR2 系カタログにおけるこのアプローチの有効性を推定した。 約5億個の合成星観測器に最適化された分類アルゴリズムは、穏やかだが非ゼロの感度を示す。 この分類に基づくアプローチは、検出可能な領域の非常に限られたサブハロの数から期待されるように、シミュレーションにおけるサブハロの正確な位置を特定するのに十分敏感ではない。 ガイアデータセットの巨大なサイズは、ダークマター探索の潜在的な領域を選択し、最終的に銀河系のサブハロ質量関数を制限できるスケーラブルで正確な計算手法のさらなる発展を動機付けている。

関連論文リスト

• A deep-learning algorithm to disentangle self-interacting dark matter and AGN feedback models [0.0]
  本研究では,ダークマターの自己反応が天体物理学的フィードバックとどのように異なるのかを「学習」する機械学習手法を提案する。 我々は、流体力学シミュレーションから銀河団の画像に畳み込みニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2024-05-27T18:00:49Z)
• Field-level simulation-based inference with galaxy catalogs: the impact of systematic effects [0.6271213328710472]
  我々は、CAMELSプロジェクトと異なるコードで実行される何千もの最先端の流体力学シミュレーションから生成された銀河カタログ上で、我々のモデルを訓練し、テストする。 これらの効果の存在はモデルの精度と精度を低下させるが、モデルが良好に機能する銀河カタログの比率は90%以上である。
  論文  参考訳（メタデータ） (2023-10-23T18:00:07Z)
• Weakly-Supervised Anomaly Detection in the Milky Way [1.3375143521862154]
  我々は、ガイア衛星が観測した10億個以上の天の川の中で、冷たい恒星の流れを識別するために、分類なしラベル (CWoLa) を用いている。 CWoLaはラベル付きストリームや天体物理学の原理の知識を使わずに動作する。 この手法は、天体物理学だけでなく、局所的な異常を識別することに関心のある他の領域にも幅広い適用性を持つ可能性がある。
  論文  参考訳（メタデータ） (2023-05-05T18:00:09Z)
• Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
  宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。 我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。 我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
  論文  参考訳（メタデータ） (2022-11-22T15:35:05Z)
• 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)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。 従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• Pure Exploration in Kernel and Neural Bandits [90.23165420559664]
  我々は、特徴表現の次元が腕の数よりもはるかに大きい帯域における純粋な探索について研究する。 そこで本研究では,各アームの特徴表現を低次元空間に適応的に埋め込む手法を提案する。
  論文  参考訳（メタデータ） (2021-06-22T19:51:59Z)
• 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)
• In search of the weirdest galaxies in the Universe [0.0]
  ワイド銀河(Werd galaxy)は、未知または非常に珍しい特徴を持つ外層であり、通常の試料と異なる。 本研究では、2つの異なる外周検出技術を用いて、奇妙な外周銀河を探索する。 両手法ともデータから重要な特徴を抽出し,様々な種類の外れ値を見つけるために利用できることがわかった。
  論文  参考訳（メタデータ） (2020-07-16T18:00:01Z)

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。