論文の概要: Field Level Neural Network Emulator for Cosmological N-body Simulations
- arxiv url: http://arxiv.org/abs/2206.04594v1
- Date: Thu, 9 Jun 2022 16:21:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-10 18:15:20.920038
- Title: Field Level Neural Network Emulator for Cosmological N-body Simulations
- Title(参考訳): 宇宙論的n体シミュレーションのためのフィールドレベルニューラルネットワークエミュレータ
- Authors: Drew Jamieson, Yin Li, Renan Alves de Oliveira, Francisco
Villaescusa-Navarro, Shirley Ho, David N. Spergel
- Abstract要約: 非線形状態において高精度な宇宙構造形成のためのフィールドレベルエミュレータを構築した。
我々は、2つの畳み込みニューラルネットワークを用いて、N体シミュレーション粒子の非線形変位と速度を出力する。
- 参考スコア(独自算出の注目度): 7.051595217991437
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We build a field level emulator for cosmic structure formation that is
accurate in the nonlinear regime. Our emulator consists of two convolutional
neural networks trained to output the nonlinear displacements and velocities of
N-body simulation particles based on their linear inputs. Cosmology dependence
is encoded in the form of style parameters at each layer of the neural network,
enabling the emulator to effectively interpolate the outcomes of structure
formation between different flat $\Lambda$CDM cosmologies over a wide range of
background matter densities. The neural network architecture makes the model
differentiable by construction, providing a powerful tool for fast field level
inference. We test the accuracy of our method by considering several summary
statistics, including the density power spectrum with and without redshift
space distortions, the displacement power spectrum, the momentum power
spectrum, the density bispectrum, halo abundances, and halo profiles with and
without redshift space distortions. We compare these statistics from our
emulator with the full N-body results, the COLA method, and a fiducial neural
network with no cosmological dependence. We find our emulator gives accurate
results down to scales of $k \sim 1\ \mathrm{Mpc}^{-1}\, h$, representing a
considerable improvement over both COLA and the fiducial neural network. We
also demonstrate that our emulator generalizes well to initial conditions
containing primordial non-Gaussianity, without the need for any additional
style parameters or retraining.
- Abstract(参考訳): 非線形状態において高精度な宇宙構造形成のためのフィールドレベルエミュレータを構築する。
このエミュレータは,n体シミュレーション粒子の非線形変位と速度を線形入力に基づいて出力するように訓練された2つの畳み込みニューラルネットワークからなる。
コスモロジー依存はニューラルネットワークの各層におけるスタイルパラメーターの形式で符号化され、エミュレータは様々な背景物質密度に対して異なる$\Lambda$CDM宇宙論の間で構造形成の結果を効果的に補間することができる。
ニューラルネットワークアーキテクチャは、モデルを構成によって微分可能とし、高速フィールドレベルの推論のための強力なツールを提供する。
提案手法の精度は,赤方偏移空間歪みのある密度パワースペクトル,変位パワースペクトル,運動量パワースペクトル,密度双スペクトル,ハロ量,赤方偏移空間歪みのないハロプロファイルなど,いくつかの要約統計を考慮し検証した。
我々は,エミュレータからのこれらの統計データを,宇宙依存のない完全なN-body結果,COLA法,およびフィデューシャルニューラルネットワークと比較した。
我々のエミュレータは、COLAとフィデューシャルニューラルネットワークの双方に対する大幅な改善を示す、$k \sim 1\ \mathrm{Mpc}^{-1}\, h$まで正確な結果を与える。
また,本エミュレータは,追加のスタイルパラメータや再トレーニングを必要とせず,原始的非ガウス性を含む初期条件によく一般化できることを実証した。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。
GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文 参考訳(メタデータ) (2023-11-05T11:48:08Z) - Speed Limits for Deep Learning [67.69149326107103]
熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。
線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。
NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
論文 参考訳(メタデータ) (2023-07-27T06:59:46Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Fast emulation of cosmological density fields based on dimensionality
reduction and supervised machine-learning [0.0]
簡単な機械学習手法を用いて,高速暗黒物質密度場エミュレーションを競合精度で実行可能であることを示す。
異なる宇宙パラメータに対する新しい密度立方体は、新しいN体シミュレーションに直接頼らずに推定できる。
論文 参考訳(メタデータ) (2023-04-12T18:29:26Z) - Predicting the Initial Conditions of the Universe using a Deterministic
Neural Network [10.158552381785078]
宇宙の現在の状態に繋がる初期条件を見つけることは、初期条件の難解な入力空間を探索することを伴うため、難しい。
深層学習は,N体シミュレーションの線形入力とシミュレーションからの最終的な非線形出力のマッピングを直接学習することにより,N体シミュレーションの代用として登場した。
本研究では, 逆写像の学習に決定論的畳み込みニューラルネットワークを応用し, 広い範囲にわたる線形変位場を正確に復元することを示す。
論文 参考訳(メタデータ) (2023-03-23T06:04:36Z) - NeuralStagger: Accelerating Physics-constrained Neural PDE Solver with
Spatial-temporal Decomposition [67.46012350241969]
本稿では,NeuralStaggerと呼ばれる一般化手法を提案する。
元の学習タスクをいくつかの粗い解像度のサブタスクに分解する。
本稿では,2次元および3次元流体力学シミュレーションにおけるNeuralStaggerの適用例を示す。
論文 参考訳(メタデータ) (2023-02-20T19:36:52Z) - Hybrid Physical-Neural ODEs for Fast N-body Simulations [0.22419496088582863]
我々は、宇宙論的N体シミュレーションのためのParticle-Meshスキームから生じる小規模近似を補正する新しいスキームを提案する。
提案手法は相互相関係数においてPGDよりも優れており,シミュレーション設定の変化に対してより堅牢であることがわかった。
論文 参考訳(メタデータ) (2022-07-12T13:06:06Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - Predicting the Thermal Sunyaev-Zel'dovich Field using Modular and
Equivariant Set-Based Neural Networks [1.7709249262395885]
我々は、銀河団内の連続電子圧場を予測するために、IllustrisTNG-300宇宙学シミュレーションでニューラルネットワークを訓練する。
我々は、設定したダークマター粒子を直接操作するために、回転型DeepSetsアーキテクチャを用いる。
論文 参考訳(メタデータ) (2022-02-28T19:00:07Z) - Fast and Accurate Non-Linear Predictions of Universes with Deep Learning [21.218297581239664]
我々は、高速線形予測を数値シミュレーションから完全に非線形な予測に変換するV-Netベースのモデルを構築した。
我々のNNモデルはシミュレーションを小さなスケールにエミュレートすることを学び、現在の最先端の近似手法よりも高速かつ高精度である。
論文 参考訳(メタデータ) (2020-12-01T03:30:37Z)
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。