論文の概要: Analysing the SEDs of protoplanetary disks with machine learning
- arxiv url: http://arxiv.org/abs/2302.04629v1
- Date: Thu, 9 Feb 2023 13:32:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-10 15:44:10.179928
- Title: Analysing the SEDs of protoplanetary disks with machine learning
- Title（参考訳）: 機械学習による原始惑星円盤のSEDの解析
- Authors: T. Kaeufer, P. Woitke, M. Min, I. Kamp, C. Pinte
- Abstract要約: 1つの放射転送モデルでは、計算に数分を要する。
SED生成プロセスをエミュレートするために、ニューラルネットワーク(NN)を作成しました。
NNは1ms以内のSEDを約5%の不確実性で予測できる。
- 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: ABRIDGED. The analysis of spectral energy distributions (SEDs) of
protoplanetary disks to determine their physical properties is known to be
highly degenerate. Hence, a Bayesian analysis is required to obtain parameter
uncertainties and degeneracies. The challenge here is computational speed, as
one radiative transfer model requires a couple of minutes to compute. We
performed a Bayesian analysis for 30 well-known protoplanetary disks to
determine their physical disk properties, including uncertainties and
degeneracies. To circumvent the computational cost problem, we created neural
networks (NNs) to emulate the SED generation process. We created two sets of
radiative transfer disk models to train and test two NNs that predict SEDs for
continuous and discontinuous disks. A Bayesian analysis was then performed on
30 protoplanetary disks with SED data collected by the DIANA project to
determine the posterior distributions of all parameters. We ran this analysis
twice, (i) with old distances and additional parameter constraints as used in a
previous study, to compare results, and (ii) with updated distances and free
choice of parameters to obtain homogeneous and unbiased model parameters. We
evaluated the uncertainties in the determination of physical disk parameters
from SED analysis, and detected and quantified the strongest degeneracies. The
NNs are able to predict SEDs within 1ms with uncertainties of about 5% compared
to the true SEDs obtained by the radiative transfer code. We find parameter
values and uncertainties that are significantly different from previous values
obtained by $\chi^2$ fitting. Comparing the global evidence for continuous and
discontinuous disks, we find that 26 out of 30 objects are better described by
disks that have two distinct radial zones. Also, we created an interactive tool
that instantly returns the SED predicted by our NNs for any parameter
combination.
- Abstract（参考訳）: ABRIDGED
原始惑星系円盤のスペクトルエネルギー分布(SED)の解析により、それらの物理的性質は高度に縮退することが知られている。
したがって、パラメータの不確かさと退化を得るためにベイズ解析が必要である。
ここでの課題は計算速度であり、ラジエーション伝達モデルには数分間の計算が必要である。
既知の30個の原始惑星円盤についてベイズ解析を行い、不確実性や縮退性などの物理ディスク特性について検討した。
計算コスト問題を回避するため,我々はSED生成過程をエミュレートするニューラルネットワーク(NN)を開発した。
我々は,連続ディスクと不連続ディスクのsedを予測する2つのnnを訓練し,テストするために2セットのラジエーティブ転送ディスクモデルを作成した。
その後、ダイアナ計画によって収集されたsedデータを用いて30個の原始惑星系円盤上でベイズ解析を行い、全てのパラメータの後方分布を決定した。
この分析を2回行った。
(i)前回の研究では、古い距離と追加のパラメータ制約を用いて、結果を比較すること。
(ii)均質で偏りのないモデルパラメータを得るための距離の更新とパラメータの選択の自由。
sed解析から物理ディスクパラメータの決定の不確実性を評価し,最強の縮退を検出・定量化した。
NNは1ms以内のSEDを、放射転送符号によって得られた真のSEDと比較して約5%の不確かさで予測することができる。
パラメータ値と不確かさは、$\chi^2$ fit で得られた以前の値と大きく異なる。
連続円盤と不連続円盤のグローバルな証拠を比較すると、30個の物体のうち26個は、2つの異なる放射帯を持つ円盤によって記述されている。
また、NNが予測したSEDを任意のパラメータの組み合わせで即座に返すインタラクティブツールを作成しました。
関連論文リスト
- Superresolution in separation estimation between two dynamic incoherent sources using spatial demultiplexing [0.0]
近年、ハーマイト・ガウスモードにおける空間モード除算(SPADE)に基づく完全な測定により、2つの弱い不整合定常源の分離を推定する精度の量子限界に達した。
本稿では、ソースの定常性に関する仮定を捨てて、完璧な設定から別の逸脱を考える。
定常源シナリオにおける推定パラメータの1つを削減できる測定アルゴリズムを定式化する。
論文 参考訳（メタデータ） (2024-07-15T07:57:57Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Mixed Effects Neural ODE: A Variational Approximation for Analyzing the
Dynamics of Panel Data [50.23363975709122]
パネルデータ解析に(固定・ランダムな)混合効果を取り入れたME-NODEという確率モデルを提案する。
我々は、Wong-Zakai定理によって提供されるSDEの滑らかな近似を用いて、我々のモデルを導出できることを示す。
次に、ME-NODEのためのエビデンスに基づく下界を導出し、(効率的な)トレーニングアルゴリズムを開発する。
論文 参考訳（メタデータ） (2022-02-18T22:41:51Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Probabilistic Inference of Simulation Parameters via Parallel
Differentiable Simulation [34.30381620584878]
実世界の計測を正確に再現するには、シミュレーターが適切な物理系のモデルを持つ必要がある。
ベイズ推定手法を用いてパラメータを推定する後者の問題に対処する。
我々は、GPUコード生成と微分可能シミュレーションを利用して、多くの粒子に対するその可能性とその勾配を並列に評価する。
論文 参考訳（メタデータ） (2021-09-18T03:05:44Z) - Bayesian Deep Learning for Partial Differential Equation Parameter
Discovery with Sparse and Noisy Data [0.0]
本研究では,ベイジアンニューラルネットワーク(BNN)を用いて,測定データからシステム全体の状態を復元する手法を提案する。
過度に適合することなく、様々な複雑さの物理学を正確に捉えることができることを示す。
我々は、物理学や非線形力学に適用されたいくつかの例について、我々のアプローチを実証する。
論文 参考訳（メタデータ） (2021-08-05T19:43:15Z) - Real-time gravitational-wave science with neural posterior estimation [64.67121167063696]
ディープラーニングを用いた高速重力波パラメータ推定のための前例のない精度を示す。
LIGO-Virgo Gravitational-Wave Transient Catalogから8つの重力波事象を解析した。
標準推論符号と非常に密接な定量的な一致を見いだすが、推定時間がO(day)から1イベントあたり1分に短縮される。
論文 参考訳（メタデータ） (2021-06-23T18:00:05Z) - Multi-fidelity Bayesian Neural Networks: Algorithms and Applications [0.0]
本稿では,可変忠実度の雑音データを用いて訓練できるベイズ型ニューラルネットワーク(BNN)を提案する。
関数近似の学習や、偏微分方程式(PDE)に基づく逆問題の解法に応用する。
論文 参考訳（メタデータ） (2020-12-19T02:03:53Z) - Deep-learning based discovery of partial differential equations in
integral form from sparse and noisy data [2.745859263816099]
上記の問題を同時に扱うために,ディープラーニングと積分形式を組み合わせた新しいフレームワークを提案する。
提案アルゴリズムは, 積分形式の利用により, 従来の手法と比較して, ノイズに強く, 精度が高い。
論文 参考訳（メタデータ） (2020-11-24T09:18:39Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z) - On Projection Robust Optimal Transport: Sample Complexity and Model
Misspecification [101.0377583883137]
射影ロバスト(PR)OTは、2つの測度の間のOTコストを最大化するために、射影可能な$k$次元部分空間を選択する。
私たちの最初の貢献は、PRワッサーシュタイン距離のいくつかの基本的な統計的性質を確立することである。
次に、部分空間を最適化するのではなく平均化することにより、PRW距離の代替として積分PRワッサーシュタイン距離(IPRW)を提案する。
論文 参考訳（メタデータ） (2020-06-22T14:35:33Z)
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。