論文の概要: Discovering the building blocks of dark matter halo density profiles
with neural networks
- arxiv url: http://arxiv.org/abs/2203.08827v1
- Date: Wed, 16 Mar 2022 18:00:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-18 13:41:23.296095
- Title: Discovering the building blocks of dark matter halo density profiles
with neural networks
- Title（参考訳）: ニューラルネットワークを用いた暗黒物質ハロ密度プロファイルの構築ブロックの発見
- Authors: Luisa Lucie-Smith, Hiranya V. Peiris, Andrew Pontzen, Brian Nord,
Jeyan Thiyagalingam, Davide Piras
- Abstract要約: ニューラルネットワークモデルを用いて、各ハローを含む原密度場からダークマター密度プロファイルへのマッピングを学習する。
二次元表現は、密度プロファイルをヴィリアル半径まで正確にモデル化するのに十分である。
3次元の表現は、ヴィリアル半径の外側のプロファイルを記述するために必要である。
- 参考スコア（独自算出の注目度）: 1.693850258397177
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The density profiles of dark matter halos are typically modeled using
empirical formulae fitted to the density profiles of relaxed halo populations.
We present a neural network model that is trained to learn the mapping from the
raw density field containing each halo to the dark matter density profile. We
show that the model recovers the widely-used Navarro-Frenk-White (NFW) profile
out to the virial radius, and can additionally describe the variability in the
outer profile of the halos. The neural network architecture consists of a
supervised encoder-decoder framework, which first compresses the density inputs
into a low-dimensional latent representation, and then outputs $\rho(r)$ for
any desired value of radius $r$. The latent representation contains all the
information used by the model to predict the density profiles. This allows us
to interpret the latent representation by quantifying the mutual information
between the representation and the halos' ground-truth density profiles. A
two-dimensional representation is sufficient to accurately model the density
profiles up to the virial radius; however, a three-dimensional representation
is required to describe the outer profiles beyond the virial radius. The
additional dimension in the representation contains information about the
infalling material in the outer profiles of dark matter halos, thus discovering
the splashback boundary of halos without prior knowledge of the halos'
dynamical history.
- Abstract（参考訳）: ダークマターハロの密度プロファイルは、通常、緩和ハロの密度プロファイルに適合する経験式を用いてモデル化される。
本研究では,各ハロを含む原密度場からダークマター密度プロファイルへのマッピングを学習するためのニューラルネットワークモデルを提案する。
本モデルでは,広範に使用されているナバロ・フレンク・ホワイト(NFW)プロファイルをウイルス半径まで復元し,ハロス外面の変動を記述できることを示す。
ニューラルネットワークアーキテクチャは教師付きエンコーダ-デコーダフレームワークで構成されており、まず密度入力を低次元の潜在表現に圧縮し、次に任意の所望の値である半径$r$に対して$\rho(r)$を出力する。
潜在表現は、密度プロファイルを予測するためにモデルが使用する全ての情報を含んでいる。
これにより,表象とhalos' ground-truth density profile間の相互情報を定量化することにより,潜在表現を解釈することができる。
2次元の表現は、ヴィリアル半径までの密度プロファイルを正確にモデル化するのに十分であるが、3次元の表現はヴィリアル半径を超える外分布を記述するのに必要である。
表現の付加次元は、ダークマター・ハロースの外側のプロファイルに落下する物質に関する情報を含んでいるため、ハロースの力学履歴を事前に知ることなくハローのスプラッシュバック境界を発見することができる。
関連論文リスト
- Binary Opacity Grids: Capturing Fine Geometric Detail for Mesh-Based
View Synthesis [70.40950409274312]
我々は、細い構造を再構築する能力を損なうことなく、表面への収束を促すために密度場を変更する。
また, メッシュの単純化と外観モデルの適合により, 融合型メッシュ方式を開発した。
私たちのモデルで生成されたコンパクトメッシュは、モバイルデバイス上でリアルタイムでレンダリングできます。
論文 参考訳（メタデータ） (2024-02-19T18:59:41Z) - Adaptive Shells for Efficient Neural Radiance Field Rendering [92.18962730460842]
本稿では, 表面および表面のレンダリングを円滑に遷移させるニューラル放射率の定式化を提案する。
我々の手法は、非常に高い忠実度で効率的なレンダリングを可能にする。
また,抽出したエンベロープは,アニメーションやシミュレーションなどの下流アプリケーションを可能にすることを示す。
論文 参考訳（メタデータ） (2023-11-16T18:58:55Z) - 3D Density-Gradient based Edge Detection on Neural Radiance Fields
(NeRFs) for Geometric Reconstruction [0.0]
密度勾配とエッジ検出フィルタを用いてニューラルレイディアンス場(NeRF)から幾何学的3次元再構成を生成する方法を示す。
提案手法は, 物体表面の幾何的精度が高く, 被写体完全性に優れる幾何学的3次元再構成を実現する能力を示す。
論文 参考訳（メタデータ） (2023-09-26T09:56:27Z) - Explaining dark matter halo density profiles with neural networks [0.0]
説明可能なニューラルネットワークを用いて、暗黒物質ハロの進化史と密度プロファイルを結びつける。
この結果は、複雑な天体物理学データセットにおける機械による科学的発見の可能性を示している。
論文 参考訳（メタデータ） (2023-05-04T18:00:01Z) - Behind the Scenes: Density Fields for Single View Reconstruction [63.40484647325238]
単一の画像から有意義な幾何学的シーン表現を推定することは、コンピュータビジョンの根本的な問題である。
本稿では,入力画像のフラストラム内のすべての位置を体積密度にマッピングする。
提案手法は,入力画像に隠された領域に対して有意な幾何を予測できることを示す。
論文 参考訳（メタデータ） (2023-01-18T17:24:01Z) - Unveiling the Sampling Density in Non-Uniform Geometric Graphs [69.93864101024639]
グラフを幾何学グラフとみなす: ノードは基礎となる計量空間からランダムにサンプリングされ、その距離が指定された近傍半径以下であれば任意のノードが接続される。
ソーシャルネットワークでは、コミュニティは密集したサンプル領域としてモデル化でき、ハブはより大きな近傍半径を持つノードとしてモデル化できる。
我々は,未知のサンプリング密度を自己監督的に推定する手法を開発した。
論文 参考訳（メタデータ） (2022-10-15T08:01:08Z) - Insights into the origin of halo mass profiles from machine learning [0.0]
我々は、解釈可能な機械学習フレームワークを使用して、暗黒物質ハローの球面平均質量プロファイルの起源に関する物理的な洞察を提供する。
我々は,クラスタサイズのハローの最終質量プロファイルを予測するために,勾配ブースト木アルゴリズムを訓練する。
論文 参考訳（メタデータ） (2022-05-09T18:00:00Z) - Volume Rendering of Neural Implicit Surfaces [57.802056954935495]
本稿では,ニューラルボリュームレンダリングにおける幾何学的表現と再構成を改善することを目的とする。
体積密度を幾何学の関数としてモデル化することで実現する。
この新たな密度表現を挑戦的なシーンマルチビューデータセットに適用することで、高品質な幾何学的再構成を実現した。
論文 参考訳（メタデータ） (2021-06-22T20:23:16Z) - Deep learning insights into cosmological structure formation [1.6351557933652356]
我々は,暗黒物質ハロの最終質量の確立において,初期条件における異方性情報の役割を研究するためのディープラーニングフレームワークを構築した。
異方性は, 最終ハロ質量に関する密度場の球面平均内に含まれる情報に対して, 統計的に有意な量の情報を与える。
論文 参考訳（メタデータ） (2020-11-20T19:00:00Z) - Revealing the Structure of Deep Neural Networks via Convex Duality [70.15611146583068]
我々は,正規化深層ニューラルネットワーク(DNN)について検討し,隠蔽層の構造を特徴付ける凸解析フレームワークを導入する。
正規正規化学習問題に対する最適隠蔽層重みの集合が凸集合の極点として明確に見出されることを示す。
ホワイトデータを持つ深部ReLUネットワークに同じ特徴を応用し、同じ重み付けが成り立つことを示す。
論文 参考訳（メタデータ） (2020-02-22T21:13:44Z)
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。