論文の概要: Insights into the origin of halo mass profiles from machine learning
- arxiv url: http://arxiv.org/abs/2205.04474v1
- Date: Mon, 9 May 2022 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-12 18:16:39.388116
- Title: Insights into the origin of halo mass profiles from machine learning
- Title（参考訳）: 機械学習によるハロー質量プロファイルの起源に関する考察
- Authors: Luisa Lucie-Smith, Susmita Adhikari and Risa H. Wechsler
- Abstract要約: 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。
- 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 mass distribution of dark matter haloes is the result of the hierarchical
growth of initial density perturbations through mass accretion and mergers. We
use an interpretable machine-learning framework to provide physical insights
into the origin of the spherically-averaged mass profile of dark matter haloes.
We train a gradient-boosted-trees algorithm to predict the final mass profiles
of cluster-sized haloes, and measure the importance of the different inputs
provided to the algorithm. We find two primary scales in the initial conditions
(ICs) that impact the final mass profile: the density at approximately the
scale of the haloes' Lagrangian patch $R_L$ ($R\sim 0.7\, R_L$) and that in the
large-scale environment ($R\sim 1.7~R_L$). The model also identifies three
primary time-scales in the halo assembly history that affect the final profile:
(i) the formation time of the virialized, collapsed material inside the halo,
(ii) the dynamical time, which captures the dynamically unrelaxed, infalling
component of the halo over its first orbit, (iii) a third, most recent
time-scale, which captures the impact on the outer profile of recent massive
merger events. While the inner profile retains memory of the ICs, this
information alone is insufficient to yield accurate predictions for the outer
profile. As we add information about the haloes' mass accretion history, we
find a significant improvement in the predicted profiles at all radii. Our
machine-learning framework provides novel insights into the role of the ICs and
the mass assembly history in determining the final mass profile of
cluster-sized haloes.
- Abstract（参考訳）: ダークマターハロースの質量分布は、質量蓄積と合併による初期密度摂動の階層的な成長の結果である。
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。
勾配ブーストツリーアルゴリズムを訓練し,クラスタサイズのハロインの最終質量プロファイルを予測し,そのアルゴリズムに提供される異なる入力の重要性を計測した。
初期状態(IC)において最終質量プロファイルに影響を及ぼす2つの主要なスケールが見つかる: ハロアのラグランジアンパッチのスケールの密度$R_L$(R\sim 0.7\, R_L$)と、大規模環境(R\sim 1.7~R_L$)である。
このモデルは、最終プロファイルに影響するhaloアセンブリ履歴の3つの主要なタイムスケールも識別する。
(i)ハロ内部のウイルス化した崩壊した物質の形成時期
(II)最初の軌道上のハロの動的に非相対的に降着する成分を捉える動的時間。
(iii)最近の大規模な合併イベントの外形への影響を捉えた、最新の第3のタイムスケール。
内部プロファイルはICのメモリを保持するが、この情報だけでは外部プロファイルの正確な予測には不十分である。
ハロエの大量降着履歴に関する情報を加えると、全ての半径で予測されたプロファイルが大幅に改善される。
我々の機械学習フレームワークは、クラスタサイズのハローの最終質量プロファイルを決定する上でのICの役割と集団集合の歴史に関する新しい知見を提供する。
関連論文リスト
- Electronic structure prediction of medium and high entropy alloys across composition space [4.556522329713242]
本研究では,集中型合金の組成空間における電子密度を予測するための機械学習モデルを提案する。
トレーニングデータ要求を最小限に抑えるためにベイジアンアクティブラーニング(AL)を採用している。
本モデルでは, 電子密度とエネルギーの両方を合成空間にわたって予測する際の精度と一般化性を示す。
論文 参考訳（メタデータ） (2024-10-10T18:29:31Z) - Found in the Middle: Calibrating Positional Attention Bias Improves Long Context Utilization [97.84156490765457]
大規模言語モデル(LLM)は、入力の中央に位置する関連する情報を取得するのに苦労する。
この現象はミドル・イン・ザ・ミドル問題として知られている。
また,中級中級中級中級中級中級中級中級中級中級中級中級中級中級中級中級中級中級健常者を対象に,長期にわたる中級中級中級中級中級健常者を対象とした。
論文 参考訳（メタデータ） (2024-06-23T04:35:42Z) - Message-Passing Monte Carlo: Generating low-discrepancy point sets via Graph Neural Networks [64.39488944424095]
本稿では,Message-Passing Monte Carlo という低差点集合を生成する機械学習手法を提案する。
MPMC点は、低次元と少数の点との差に関して、最適かほぼ最適であることが実証的に示されている。
論文 参考訳（メタデータ） (2024-05-23T21:17:20Z) - Modelling the Track of the GD-1 Stellar Stream Inside a Host with a Fermionic Dark Matter Core-Halo Distribution [0.0]
ハロ生成の最大エントロピー原理をDMハロモデルに応用した。
この研究は、フェルミオンプロファイルが、巨大な中心天体と銀河のDMの両方にとって信頼できるモデルであることを示す。
論文 参考訳（メタデータ） (2024-04-29T20:46:16Z) - Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud
Semantic Segmentation via Decoupling Optimization [64.36097398869774]
半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。
既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。
本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-13T04:16:40Z) - 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) - 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) - Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。
近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。
我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文 参考訳（メタデータ） (2022-06-27T13:46:51Z) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳（メタデータ） (2022-05-31T22:28:34Z) - Discovering the building blocks of dark matter halo density profiles
with neural networks [1.693850258397177]
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。
論文 参考訳（メタデータ） (2022-03-16T18:00:01Z) - 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)
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。