論文の概要: Virgo: Scalable Unsupervised Classification of Cosmological Shock Waves
- arxiv url: http://arxiv.org/abs/2208.06859v1
- Date: Sun, 14 Aug 2022 14:28:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 15:09:06.842454
- Title: Virgo: Scalable Unsupervised Classification of Cosmological Shock Waves
- Title（参考訳）: Virgo: 宇宙衝撃波のスケーラブルな教師なし分類
- Authors: Max Lamparth, Ludwig B\"oss, Ulrich Steinwandel and Klaus Dolag
- Abstract要約: 我々はこの未解決の教師なし分類問題に対処するために,新しいパイプライン Virgo を導入する。
我々は,低ランク行列近似を用いたカーネル主成分分析を用いて,衝撃粒子のデータセットを復調する。
我々は教師付き分類を行い、変分深層学習を用いて全データ解像度を復元する。
- 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: Cosmological shock waves are essential to understanding the formation of
cosmological structures. To study them, scientists run computationally
expensive high-resolution 3D hydrodynamic simulations. Interpreting the
simulation results is challenging because the resulting data sets are enormous,
and the shock wave surfaces are hard to separate and classify due to their
complex morphologies and multiple shock fronts intersecting. We introduce a
novel pipeline, Virgo, combining physical motivation, scalability, and
probabilistic robustness to tackle this unsolved unsupervised classification
problem. To this end, we employ kernel principal component analysis with
low-rank matrix approximations to denoise data sets of shocked particles and
create labeled subsets. We perform supervised classification to recover full
data resolution with stochastic variational deep kernel learning. We evaluate
on three state-of-the-art data sets with varying complexity and achieve good
results. The proposed pipeline runs automatically, has only a few
hyperparameters, and performs well on all tested data sets. Our results are
promising for large-scale applications, and we highlight now enabled future
scientific work.
- Abstract（参考訳）: 宇宙衝撃波は宇宙構造の形成を理解するのに不可欠である。
研究のために、科学者は計算に高価な高解像度の3D流体力学シミュレーションを実行した。
シミュレーション結果の解釈は、結果のデータセットが巨大であり、衝撃波面が複雑な形態と複数の衝撃面が交差しているため、分離および分類が難しいため、困難である。
我々は,この未解決な分類問題に対処するために,物理的なモチベーション,スケーラビリティ,確率的堅牢性を組み合わせた新しいパイプラインVirgoを導入する。
この目的のために、カーネルの主成分分析と低ランク行列近似を用いて衝撃粒子のデータセットをノイズ化し、ラベル付きサブセットを作成する。
教師付き分類を行い,確率的変分深核学習により全データの分解能を回復する。
複雑度が異なる3つの最先端データセットについて評価し,良好な結果を得た。
提案されたパイプラインは自動的に動作し、いくつかのハイパーパラメータしか持たず、テスト済みのデータセットすべてでうまく動作します。
当社の成果は大規模応用に期待でき、今後の科学的研究に注目する。
関連論文リスト
- Enhancing High-Energy Particle Physics Collision Analysis through Graph Data Attribution Techniques [0.0]
本稿では、シミュレーション粒子衝突データセットを用いて、グラフ分類パイプライン内の影響分析を統合する。
グラフニューラルネットワークを初等訓練に用いることにより,学習サンプルの同定に勾配に基づくデータ影響法を適用した。
破棄された要素を分析することで、イベント分類タスクに関するさらなる洞察を得ることができる。
論文 参考訳（メタデータ） (2024-07-20T12:40:03Z) - Machine Learning Visualization Tool for Exploring Parameterized Hydrodynamics [0.0]
大規模なシミュレーションデータセットの圧縮、閲覧、補間に使用できる対話型機械学習ツールを提案する。
このツールは、計算科学者や研究者が「何」の状況を素早く視覚化し、感度分析を行い、複雑な流体力学実験を最適化することを可能にする。
論文 参考訳（メタデータ） (2024-06-20T00:47:01Z) - A Comprehensive Evaluation of Generative Models in Calorimeter Shower Simulation [0.0]
ファストシミュレーション」は計算ボトルネックを克服する上で重要な役割を担っている。
深部生成モデルの使用により、検出器シミュレーションのための代理モデルへの関心が高まった。
評価の結果,CaloDiffusionおよびCaloScore生成モデルが最も正確な粒子シャワーシミュレーションを行った。
論文 参考訳（メタデータ） (2024-06-08T11:17:28Z) - The Computational Complexity of Concise Hypersphere Classification [49.57441416941195]
本稿では,二元データに対する超球分類問題の複雑性理論による最初の研究である。
パラメータ化複雑性のパラダイムを用いて、入力データに存在する可能性のある構造特性の影響を分析する。
論文 参考訳（メタデータ） (2023-12-12T09:33:03Z) - Gradient-Based Feature Learning under Structured Data [57.76552698981579]
異方性設定では、一般的に使用される球面勾配力学は真の方向を回復できないことがある。
バッチ正規化を連想させる適切な重み正規化は、この問題を軽減することができることを示す。
特に、スパイクモデルの下では、勾配に基づくトレーニングのサンプルの複雑さは情報指数とは独立にできる。
論文 参考訳（メタデータ） (2023-09-07T16:55:50Z) - Eagle: Large-Scale Learning of Turbulent Fluid Dynamics with Mesh
Transformers [23.589419066824306]
流体力学を推定することは、解決するのが非常に難しい。
問題に対する新しいモデル,メソッド,ベンチマークを導入する。
我々の変換器は、既存の合成データセットと実際のデータセットの両方において、最先端のパフォーマンスより優れていることを示す。
論文 参考訳（メタデータ） (2023-02-16T12:59:08Z) - MetaGraspNet: A Large-Scale Benchmark Dataset for Scene-Aware
Ambidextrous Bin Picking via Physics-based Metaverse Synthesis [72.85526892440251]
本稿では,物理に基づくメタバース合成により構築した大規模写真リアリスティックビンピックデータセットであるMetaGraspNetを紹介する。
提案データセットは,82種類の記事に対して217kのRGBD画像を含み,オブジェクト検出,アモーダル認識,キーポイント検出,操作順序,および並列ジャウと真空グリップパー用のアンビデクストグリップラベルの完全なアノテーションを備える。
また,2.3k以上の完全アノテートされた高品質なRGBD画像からなる実際のデータセットを5段階の難易度と,異なるオブジェクトおよびレイアウト特性を評価するための見えないオブジェクトセットに分割する。
論文 参考訳（メタデータ） (2022-08-08T08:15:34Z) - 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) - Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。
本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。
我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文 参考訳（メタデータ） (2022-05-25T17:37:08Z) - Model discovery in the sparse sampling regime [0.0]
深層学習が部分微分方程式のモデル発見をいかに改善できるかを示す。
その結果、ディープラーニングに基づくモデル発見は、基礎となる方程式を復元することができる。
我々は合成集合と実験集合の両方について主張する。
論文 参考訳（メタデータ） (2021-05-02T06:27:05Z) - Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
本稿では,機械学習のフレームワークとモデルの実装について紹介する。
グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。
我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
論文 参考訳（メタデータ） (2020-02-21T16:44:28Z)
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。