論文の概要: $\texttt{Mangrove}$: Learning Galaxy Properties from Merger Trees
- arxiv url: http://arxiv.org/abs/2210.13473v1
- Date: Mon, 24 Oct 2022 18:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 16:10:26.682808
- Title: $\texttt{Mangrove}$: Learning Galaxy Properties from Merger Trees
- Title（参考訳）: マージツリーから銀河の性質を学ぶ$\texttt{mangrove}$
- Authors: Christian Kragh Jespersen, Miles Cranmer, Peter Melchior, Shirley Ho,
Rachel S. Somerville, Austen Gabrielpillai
- Abstract要約: グラフニューラルネットワーク(GNN)は、物理的関係を学ぶための自然な選択であることが証明されている。
$texttMangrove$は、銀河系星質量、冷たいガス質量、金属量、瞬時および時間平均の星形成速度、ブラックホール質量をエミュレートする。
ルート平均二乗誤差は、$(75 Mpc/h)3$シュミレーションボックスの40秒で他のメソッドよりも最大2倍低い。
- 参考スコア（独自算出の注目度）: 1.2116854758481395
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Efficiently mapping baryonic properties onto dark matter is a major challenge
in astrophysics. Although semi-analytic models (SAMs) and hydrodynamical
simulations have made impressive advances in reproducing galaxy observables
across cosmologically significant volumes, these methods still require
significant computation times, representing a barrier to many applications.
Graph Neural Networks (GNNs) have recently proven to be the natural choice for
learning physical relations. Among the most inherently graph-like structures
found in astrophysics are the dark matter merger trees that encode the
evolution of dark matter halos. In this paper we introduce a new, graph-based
emulator framework, $\texttt{Mangrove}$, and show that it emulates the galactic
stellar mass, cold gas mass and metallicity, instantaneous and time-averaged
star formation rate, and black hole mass -- as predicted by a SAM -- with root
mean squared error up to two times lower than other methods across a $(75
Mpc/h)^3$ simulation box in 40 seconds, 4 orders of magnitude faster than the
SAM. We show that $\texttt{Mangrove}$ allows for quantification of the
dependence of galaxy properties on merger history. We compare our results to
the current state of the art in the field and show significant improvements for
all target properties. $\texttt{Mangrove}$ is publicly available.
- Abstract（参考訳）: ダークマターへのバリオン特性の効率的なマッピングは天体物理学の大きな課題である。
半解析モデル(sams)と流体力学シミュレーションは、宇宙学的に重要な体積にわたって銀河観測可能な銀河を再現する素晴らしい進歩を遂げてきたが、これらの方法には依然としてかなりの計算時間が必要であり、多くの応用への障壁となっている。
グラフニューラルネットワーク(GNN)は、最近、物理関係を学ぶための自然な選択であることが証明されている。
天体物理学で見られるグラフのような構造は、暗黒物質ハロの進化をコードする暗黒物質融合木である。
本稿では、新しいグラフベースのエミュレータフレームワークである$\texttt{mangrove}$を導入し、samが予測したように、銀河の恒星質量、冷気質量、金属性、瞬間的および時間平均的な星形成速度、ブラックホール質量をエミュレートし、$(75 mpc/h)^3$シミュレーションボックスで、$(75 mpc/h)^3$シミュレーションボックス上の他の方法よりも2倍低い根平均二乗誤差を、40秒で、4桁の速さで示す。
我々は$\texttt{Mangrove}$が銀河の性質の合併履歴への依存の定量化を可能にすることを示した。
その結果を現在の分野の美術品と比較し,すべての対象物に対して有意な改善が見られた。
$\texttt{Mangrove}$が公開されている。
関連論文リスト
- Estimating Dark Matter Halo Masses in Simulated Galaxy Clusters with Graph Neural Networks [0.0]
シミュレーション銀河団の恒星質量から$rmM_rmhalo$を予測するグラフニューラルネットワーク(GNN)モデルを提案する。
ランダムな森林のような従来の機械学習モデルとは異なり、我々のGNNは銀河団の情報豊富なサブ構造を捉えている。
TNG-Clusterデータセットに基づいてトレーニングされ、TNG300シミュレーションで独立にテストされたGNNモデルは、他のベースラインモデルよりも優れた予測性能を達成する。
論文 参考訳（メタデータ） (2024-11-19T16:40:17Z) - Studying chirality imbalance with quantum algorithms [62.997667081978825]
我々は(1+1)次元ナムブ・ジョナ・ラシニオ(NJL)モデルを用いて、強相互作用物質のキラル相構造とキラル電荷密度を研究する。
量子想像時間進化法 (QITE) を用いて, 格子上の (1+1) 次元NJLモデルを温度$T$, 化学ポテンシャル$mu$, $mu_5$でシミュレートする。
論文 参考訳（メタデータ） (2022-10-06T17:12:33Z) - 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) - Learning cosmology and clustering with cosmic graphs [0.0]
我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから数千の銀河カタログのディープラーニングモデルを訓練する。
まず、GNNが数パーセントの精度で銀河カタログのパワースペクトルを計算することができることを示す。
次に、GNNをトレーニングし、銀河場レベルで可能性のない推論を行う。
論文 参考訳（メタデータ） (2022-04-28T18:00:02Z) - Inferring halo masses with Graph Neural Networks [0.5804487044220691]
我々は、ハローの位置、速度、恒星の質量、銀河の半径を推定するモデルを構築します。
我々は不規則でスパースなデータを扱うように設計されたグラフニューラルネットワーク(GNN)を使用している。
我々のモデルでは、ハロの質量を$sim$0.2 dexの精度で制限することができる。
論文 参考訳（メタデータ） (2021-11-16T18:37:53Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。
また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
論文 参考訳（メタデータ） (2021-10-11T18:00:02Z) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2021-09-21T00:08:43Z) - Multifield Cosmology with Artificial Intelligence [13.031414468952313]
天体物理学のプロセスは、ダークマター、ガス、銀河の性質をよく理解されていない方法で修正する。
13の異なるフィールドに対して数十万の2次元マップを生成します。
我々はこれらの地図を用いて畳み込みニューラルネットワークを訓練し、宇宙情報の最大量を抽出する。
論文 参考訳（メタデータ） (2021-09-20T18:00:01Z) - DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts
using Deep Learning [70.80563014913676]
本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。
我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
論文 参考訳（メタデータ） (2020-11-24T22:51:08Z) - The Geometry of Time in Topological Quantum Gravity of the Ricci Flow [62.997667081978825]
我々は、リッチフロー方程式の族に付随する非相対論的量子重力の研究を継続する。
この位相重力はコホモロジー型であり、$cal N=2$拡張BRST対称性を示す。
我々は、場が$g_ij$, $ni$, $n$であり、(i)$g_ij$の位相的変形と(ii)超局所非相対論的空間の極限からなる理論の標準的な一段階BRSTゲージ固定を実証する。
論文 参考訳（メタデータ） (2020-11-12T06:57:10Z)
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。