論文の概要: Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission

• arxiv url: http://arxiv.org/abs/2206.02819v1
• Date: Mon, 6 Jun 2022 18:00:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-08 16:54:14.522532
• Title: Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission
• Title（参考訳）: 銀河間ガンマ線放射の離散成分の深層学習モデル
• Authors: Alexander Shmakov, Mohammadamin Tavakoli, Pierre Baldi, Christopher M. Karwin, Alex Broughton, Simona Murgia
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 61.26321023273399
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A significant point-like component from the small scale (or discrete) structure in the H2 interstellar gas might be present in the Fermi-LAT data, but modeling this emission relies on observations of rare gas tracers only available in limited regions of the sky. Identifying this contribution is important to discriminate gamma-ray point sources from interstellar gas, and to better characterize extended gamma-ray sources. We design and train convolutional neural networks to predict this emission where observations of these rare tracers do not exist and discuss the impact of this component on the analysis of the Fermi-LAT data. In particular, we evaluate prospects to exploit this methodology in the characterization of the Fermi-LAT Galactic center excess through accurate modeling of point-like structures in the data to help distinguish between a point-like or smooth nature for the excess. We show that deep learning may be effectively employed to model the gamma-ray emission traced by these rare H2 proxies within statistical significance in data-rich regions, supporting prospects to employ these methods in yet unobserved regions.
• Abstract（参考訳）: H2星間ガスの小さなスケール(あるいは離散的な)構造からの重要な点状成分はフェルミ・LATデータに存在するが、この放出のモデル化は、空の限られた領域でしか利用できない希ガストレーサの観測に依存する。 この貢献を識別することは、星間ガスからガンマ線源を識別し、拡張ガンマ線源をよりよく特徴付けるために重要である。 これらの希少トレーサの観測が存在しないこの放出を予測するために畳み込みニューラルネットワークを設計・訓練し,フェルミ・ラトデータの解析におけるこの成分の影響について考察した。 特に,データ中の点状構造の正確なモデリングにより,フェルミ・ラト銀河中心の過大評価において,この手法を活用する可能性を評価し,点状あるいは滑らかな性質の区別を支援する。 本研究では,これらの希少なh2プロキシが追跡するガンマ線放射を,データ豊富な領域における統計的意義の中で効果的にモデル化し,これらの手法を未観測領域で採用する可能性を示唆する。

関連論文リスト

• Machine Learning for Methane Detection and Quantification from Space -- A survey [49.7996292123687]
  メタン (CH_4) は強力な温室効果ガスであり、20年間で二酸化炭素 (CO_2) の86倍の温暖化に寄与する。 この研究は、ショートウェーブ赤外線(SWIR)帯域におけるメタン点源検出センサの既存の情報を拡張する。 従来の機械学習(ML)アプローチと同様に、最先端の技術をレビューする。
  論文  参考訳（メタデータ） (2024-08-27T15:03:20Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Machine Learning for Exoplanet Detection in High-Contrast Spectroscopy: Revealing Exoplanets by Leveraging Hidden Molecular Signatures in Cross-Correlated Spectra with Convolutional Neural Networks [0.0]
  分光の相互相関は、惑星のスペクトルを主星から分離するために分子テンプレートを用いる。 我々は、相互相関分光(MLCCS)のための機械学習を導入する。 この手法は、大気中の特定の分子の存在など、外惑星の特徴付けに関する弱い仮定を活用し、外惑星の検出感度を向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-05-22T09:25:58Z)
• Deep Learning for Gamma-Ray Bursts: A data driven event framework for X/Gamma-Ray analysis in space telescopes [2.4666310814233703]
  この論文は、Gamma Ray-Bursts (GRB) の概要、その特性、検出に使用される機器、人工知能 (AI) アプリケーションの提供に捧げられている。 Fermi-GBM や HERMES Pathfinder のような次世代の高X線モニターの電流と次世代の両方を考慮すると、研究課題は長く、希薄な高エネルギートランジェントの検出を中心に展開される。 これを解決するために、2つの章では、新しいデータ駆動フレームワークであるDeepGRBを紹介している。
  論文  参考訳（メタデータ） (2024-01-28T11:49:57Z)
• A Heat Diffusion Perspective on Geodesic Preserving Dimensionality Reduction [66.21060114843202]
  熱測地線埋め込みと呼ばれるより一般的な熱カーネルベースの多様体埋め込み法を提案する。 その結果,本手法は,地中真理多様体距離の保存において,既存の技術よりも優れていることがわかった。 また,連続体とクラスタ構造を併用した単一セルRNAシークエンシングデータセットに本手法を適用した。
  論文  参考訳（メタデータ） (2023-05-30T13:58:50Z)
• 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)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• A neural simulation-based inference approach for characterizing the Galactic Center $\gamma$-ray excess [9.101294179203794]
  Fermi gamma-ray Galactic Center Excess(GCE)は10年以上も謎のままだ。 我々は、シミュレーションに基づく推論の分野における最近の進歩を利用して、モデル化されたコンポーネントのGCEへの貢献を特徴づける。
  論文  参考訳（メタデータ） (2021-10-13T18:00:00Z)
• Neural density estimation and uncertainty quantification for laser induced breakdown spectroscopy spectra [4.698576003197588]
  構造付きスペクトル潜在空間上の正規化フローを用いて確率密度を推定する。 観測されていない状態ベクトルを予測する際に不確実性定量化法を評価する。 火星探査機キュリオシティが収集したレーザー誘起分解分光データに本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2021-08-17T01:10:29Z)
• Semi-parametric $\gamma$-ray modeling with Gaussian processes and variational inference [9.405199445496429]
  銀河起源の不確実な拡散放出をモデル化することは、天体物理学的なガンマ線データの特徴に深刻な偏見を与える可能性がある。 ガンマ線解析のためのフレキシブルな背景および信号モデルを構築するためにガウス過程と変分推論を用いる新しい手法のクラスを導入する。
  論文  参考訳（メタデータ） (2020-10-20T17:04:37Z)

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。