論文の概要: Learning cosmology and clustering with cosmic graphs
- arxiv url: http://arxiv.org/abs/2204.13713v1
- Date: Thu, 28 Apr 2022 18:00:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-03 09:22:42.408066
- Title: Learning cosmology and clustering with cosmic graphs
- Title（参考訳）: 宇宙グラフを用いた宇宙論の学習とクラスタリング
- Authors: Pablo Villanueva-Domingo, Francisco Villaescusa-Navarro
- Abstract要約: 我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから数千の銀河カタログのディープラーニングモデルを訓練する。
まず、GNNが数パーセントの精度で銀河カタログのパワースペクトルを計算することができることを示す。
次に、GNNをトレーニングし、銀河場レベルで可能性のない推論を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We train deep learning models on thousands of galaxy catalogues from the
state-of-the-art hydrodynamic simulations of the CAMELS project to perform
regression and inference. We employ Graph Neural Networks (GNNs), architectures
designed to work with irregular and sparse data, like the distribution of
galaxies in the Universe. We first show that GNNs can learn to compute the
power spectrum of galaxy catalogues with a few percent accuracy. We then train
GNNs to perform likelihood-free inference at the galaxy-field level. Our models
are able to infer the value of $\Omega_{\rm m}$ with a $\sim12\%-13\%$ accuracy
just from the positions of $\sim1000$ galaxies in a volume of $(25~h^{-1}{\rm
Mpc})^3$ at $z=0$ while accounting for astrophysical uncertainties as modelled
in CAMELS. Incorporating information from galaxy properties, such as stellar
mass, stellar metallicity, and stellar radius, increases the accuracy to
$4\%-8\%$. Our models are built to be translational and rotational invariant,
and they can extract information from any scale larger than the minimum
distance between two galaxies. However, our models are not completely robust:
testing on simulations run with a different subgrid physics than the ones used
for training does not yield as accurate results.
- Abstract（参考訳）: 我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから数千の銀河カタログのディープラーニングモデルを訓練し、回帰と推論を行う。
我々は、宇宙の銀河の分布のような不規則でスパースなデータを扱うように設計されたアーキテクチャであるグラフニューラルネットワーク(GNN)を採用している。
まず、GNNが数パーセントの精度で銀河カタログのパワースペクトルを計算することができることを示す。
次に、GNNをトレーニングし、銀河場レベルで可能性のない推論を行う。
我々のモデルは、$(25~h^{-1}{\rm mpc})^3$の体積で$(25~h^{-1}{\rm mpc})の位置から、$\sim12\%-13\%$の精度で$\omega_{\rm m}$の値を推測することができる。
恒星の質量、恒星の金属性、恒星半径などの銀河の性質からの情報を組み込むと、精度は4\%-8\%$になる。
我々のモデルは、翻訳的および回転的不変量として構築され、2つの銀河の間の最小距離よりも大きいスケールから情報を抽出することができる。
しかし、我々のモデルは、完全に堅牢ではない。トレーニングに使用されるものほど正確な結果が得られない、異なるサブグリッド物理学で実行されるシミュレーションをテストする。
関連論文リスト
- SimBIG: Field-level Simulation-Based Inference of Galaxy Clustering [2.3988372195566443]
本稿では、銀河団のフィールドレベル解析から、宇宙パラメータの最初のシミュレーションベース推論(SBI)を提案する。
重み付き畳み込みニューラルネットワークを用いて、BOSS CMASS銀河サンプルのサブセットにSimBIGを適用し、銀河場の大規模データ圧縮を行う。
この研究は、競合する宇宙学の制約を提示するだけでなく、DESI、PSS、ユークリッドのような今後の銀河調査で追加の宇宙学情報を活用する新しい手法も導入している。
論文 参考訳（メタデータ） (2023-10-23T18:05:32Z) - 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) - Robust Field-level Likelihood-free Inference with Galaxies [0.0]
我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから銀河カタログを用いて、グラフニューラルネットワークを訓練し、フィールドレベル確率自由推論を行う。
我々のモデルは回転、翻訳、置換不変であり、スケールにいかなるカットも課さない。
我々のモデルは、天体物理学、サブグリッド物理学、およびサブハロ/ガラクシーファインダーの変化に対して堅牢であることがわかった。
論文 参考訳（メタデータ） (2023-02-27T19:26:13Z) - Using Machine Learning to Determine Morphologies of $z<1$ AGN Host
Galaxies in the Hyper Suprime-Cam Wide Survey [4.747578120823036]
本稿では,AGNホスト銀河の形態をz1$以内で正確に特徴付けるための機械学習フレームワークを提案する。
まず、多数のシミュレートされた銀河をトレーニングし、それからより少ない分類された実際の銀河を微調整することで、我々のフレームワークは、テストセットからホスト銀河を60～70%でシミュレートする実際の形態を予測した。
我々のモデルは96%/82%/79%のディスク精度、90%/90%/80%のバルジ精度を未決定分率30%/43%/42の閾値で達成する。
論文 参考訳（メタデータ） (2022-12-20T04:00:58Z) - Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。
我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。
我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
論文 参考訳（メタデータ） (2022-11-22T15:35:05Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳（メタデータ） (2022-11-01T18:07:21Z) - Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with
Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。
従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文 参考訳（メタデータ） (2022-07-07T17:55:26Z) - Inferring halo masses with Graph Neural Networks [0.5804487044220691]
我々は、ハローの位置、速度、恒星の質量、銀河の半径を推定するモデルを構築します。
我々は不規則でスパースなデータを扱うように設計されたグラフニューラルネットワーク(GNN)を使用している。
我々のモデルでは、ハロの質量を$sim$0.2 dexの精度で制限することができる。
論文 参考訳（メタデータ） (2021-11-16T18:37:53Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。
また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
論文 参考訳（メタデータ） (2021-10-11T18:00:02Z) - 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) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。