論文の概要: A deep learning approach to halo merger tree construction

• arxiv url: http://arxiv.org/abs/2205.15988v1
• Date: Tue, 31 May 2022 17:45:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-01 15:33:42.415596
• Title: A deep learning approach to halo merger tree construction
• Title（参考訳）: haloマージツリー構築のためのディープラーニングアプローチ
• Authors: Sandra Robles, Jonathan S. G\'omez, Ad\'in Ram\'irez Rivera, Nelson D. Padilla, Diego Dujovne
• Abstract要約: 銀河形成の半分析モデル(SAM)の鍵となる要素は、木構造にエンコードされたハロースの大量集合の歴史である。 機械学習技術,特にGAN(Generative Adversarial Networks)は,この問題に控えめな計算コストで対処するための,有望な新しいツールであることを示す。
• 参考スコア（独自算出の注目度）: 0.24466725954625884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A key ingredient for semi-analytic models (SAMs) of galaxy formation is the mass assembly history of haloes, encoded in a tree structure. The most commonly used method to construct halo merger histories is based on the outcomes of high-resolution, computationally intensive N-body simulations. We show that machine learning (ML) techniques, in particular Generative Adversarial Networks (GANs), are a promising new tool to tackle this problem with a modest computational cost and retaining the best features of merger trees from simulations. We train our GAN model with a limited sample of merger trees from the EAGLE simulation suite, constructed using two halo finders-tree builder algorithms: SUBFIND-D-TREES and ROCKSTAR-ConsistentTrees. Our GAN model successfully learns to generate well-constructed merger tree structures with high temporal resolution, and to reproduce the statistical features of the sample of merger trees used for training, when considering up to three variables in the training process. These inputs, whose representations are also learned by our GAN model, are mass of the halo progenitors and the final descendant, progenitor type (main halo or satellite) and distance of a progenitor to that in the main branch. The inclusion of the latter two inputs greatly improves the final learned representation of the halo mass growth history, especially for SUBFIND-like ML trees. When comparing equally sized samples of ML merger trees with those of the EAGLE simulation, we find better agreement for SUBFIND-like ML trees. Finally, our GAN-based framework can be utilised to construct merger histories of low and intermediate mass haloes, the most abundant in cosmological simulations.
• Abstract（参考訳）: 銀河形成の半分析モデル(SAM)の鍵となる要素は、木構造にエンコードされたハロースの大量集合の歴史である。 ハロ融合史を構築する最も一般的な方法は、高分解能で計算集約的なN体シミュレーションの結果に基づいている。 機械学習(ML)技術,特にGAN(Generative Adversarial Networks)は,計算コストを緩やかに削減し,シミュレーションによる統合ツリーの最良の特徴を保ちながら,この問題に対処する,有望な新しいツールであることを示す。 EAGLEシュミレーションスイートから,GANモデルを限定してトレーニングし,2つのハロファインダーツリー構築アルゴリズムであるSUBFIND-D-TREESとROCKSTAR-ConsistentTreesを用いて構築した。 GANモデルは、時間分解能の高いよく構築された統合木構造を生成し、トレーニングプロセスにおいて最大3つの変数を考慮した場合、トレーニングに使用される統合木標本の統計的特徴を再現する。 これらの入力は、我々のganモデルによっても学習され、ハロ前駆体と最後の子孫である前駆体型(メインハロまたはサテライト)の質量であり、前駆体と本枝のそれとの距離である。 後者の2つのインプットを含めることで、特にSUBFINDのようなMLツリーにおいて、ハロー質量成長史の最終的な学習表現が大幅に向上する。 EAGLEシミュレーションと同等の大きさのMLマージツリーのサンプルを比較すると,SUBFINDのようなMLツリーとよりよく一致していることがわかった。 最終的に、我々のGANベースのフレームワークは、宇宙学シミュレーションで最も豊富な低質量ハローと中間質量ハローの融合履歴を構築するために利用することができる。

関連論文リスト

• CodeTree: Agent-guided Tree Search for Code Generation with Large Language Models [106.11371409170818]
  大規模言語モデル(LLM)は、生成されたコードを自己定義し、自律的に改善する機能を持つエージェントとして機能する。 コード生成プロセスの異なる段階における探索空間を効率的に探索するLLMエージェントのためのフレームワークであるCodeTreeを提案する。 具体的には、異なるコーディング戦略を明示的に探求し、対応するコーディングソリューションを生成し、その後、ソリューションを洗練するために統合されたツリー構造を採用しました。
  論文  参考訳（メタデータ） (2024-11-07T00:09:54Z)
• Deep Trees for (Un)structured Data: Tractability, Performance, and Interpretability [4.462264781248437]
  汎用ソフトツリー(GST)を導入し、ソフト決定木(ST)を拡張し、画像を直接処理できる。 トラクタビリティ、パフォーマンス、解釈可能性に関して、これらの利点を示します。 我々は,MIMIC-IV,MNIST,Fashion MNIST,CIFAR-10,Celeb-Aなどのベンチマークデータセットを用いて,GSTの性能を検証した。
  論文  参考訳（メタデータ） (2024-10-28T23:02:41Z)
• An efficient solution to Hidden Markov Models on trees with coupled branches [0.0]
  木上の隠れモデル(HMM)のフレームワークを拡張して、データのツリーのような構造が結合されたブランチを含むシナリオに対処する。 本研究では,木系HMMと分岐した分岐木に対する確率,復号化,パラメータ学習問題を効率的に解くプログラミングアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2024-06-03T18:00:00Z)
• Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
  本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。 クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。 このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
  論文  参考訳（メタデータ） (2023-05-24T11:05:12Z)
• RLET: A Reinforcement Learning Based Approach for Explainable QA with Entailment Trees [47.745218107037786]
  本稿では,強化学習に基づくEntailment Tree生成フレームワークであるRLETを提案する。 RLETは文の選択と推論生成モジュールによる単一ステップ推論を反復的に行う。 EntailmentBankデータセットの3つの設定の実験では、RLフレームワークを使用することの強みが示されている。
  論文  参考訳（メタデータ） (2022-10-31T06:45:05Z)
• Using Model-Based Trees with Boosting to Fit Low-Order Functional ANOVA Models [5.131758478675364]
  低次関数型ANOVAモデルは、本質的に解釈可能な機械学習の目的のもと、機械学習(ML)コミュニティで再発見された。 我々は,EMMに類似する新しいアルゴリズムであるGAMI-Treeを提案する。 我々は、シミュレーションと実データを用いて、GAMI-Treeの性能と解釈可能性をEMMとGAMI-Netと比較する。
  論文  参考訳（メタデータ） (2022-07-14T14:23:14Z)
• Entailment Tree Explanations via Iterative Retrieval-Generation Reasoner [56.08919422452905]
  我々はIRGR(Iterative Retrieval-Generation Reasoner)と呼ばれるアーキテクチャを提案する。 本モデルでは,テキストの前提からステップバイステップの説明を体系的に生成することにより,与えられた仮説を説明することができる。 前提条件の検索と細分化木の生成に関する既存のベンチマークを上回り、全体の正しさはおよそ300%向上した。
  論文  参考訳（メタデータ） (2022-05-18T21:52:11Z)
• Robustifying Algorithms of Learning Latent Trees with Vector Variables [92.18777020401484]
  Recursive Grouping (RG) と Chow-Liu Recursive Grouping (CLRG) のサンプル複雑性について述べる。 RG,CLRG,Neighbor Joining (NJ) およびSpectral NJ (SNJ) をトラッピングした内積を用いて強化する。 我々は、潜在木の構造学習において、最初の既知のインスタンス依存の不合理性の結果を導出する。
  論文  参考訳（メタデータ） (2021-06-02T01:37:52Z)
• Growing Deep Forests Efficiently with Soft Routing and Learned Connectivity [79.83903179393164]
  この論文は、いくつかの重要な側面で深い森林のアイデアをさらに拡張します。 我々は、ノードがハードバイナリ決定ではなく、確率的ルーティング決定、すなわちソフトルーティングを行う確率的ツリーを採用する。 MNISTデータセットの実験は、私たちの力のある深部森林が[1]、[3]よりも優れたまたは匹敵するパフォーマンスを達成できることを示しています。
  論文  参考訳（メタデータ） (2020-12-29T18:05:05Z)
• Encoding large scale cosmological structure with Generative Adversarial Networks [0.0]
  我々は、予測モデルを構築するための第一歩として、訓練されたGANを使用して単純なオートエンコーダ(AE)を構築します。 GANとAEはどちらも、2Dと3Dという2種類のNボディシミュレーションから発行された画像に基づいて訓練されている。 GANはトレーニングした画像と統計的に一致した新しい画像を生成することに成功した。
  論文  参考訳（メタデータ） (2020-11-10T17:11:14Z)

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。