論文の概要: Robust Field-level Likelihood-free Inference with Galaxies
- arxiv url: http://arxiv.org/abs/2302.14101v2
- Date: Tue, 18 Jul 2023 22:38:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-20 17:34:04.593589
- Title: Robust Field-level Likelihood-free Inference with Galaxies
- Title（参考訳）: 銀河によるロバスト場準同値推論
- Authors: Natal\'i S. M. de Santi, Helen Shao, Francisco Villaescusa-Navarro, L.
Raul Abramo, Romain Teyssier, Pablo Villanueva-Domingo, Yueying Ni, Daniel
Angl\'es-Alc\'azar, Shy Genel, Elena Hernandez-Martinez, Ulrich P.
Steinwandel, Christopher C. Lovell, Klaus Dolag, Tiago Castro, Mark
Vogelsberger
- Abstract要約: 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銀河カタログを用いて、グラフニューラルネットワークを訓練し、フィールドレベル確率自由推論を行う。
我々のモデルは回転、翻訳、置換不変であり、スケールにいかなるカットも課さない。
我々のモデルは、天体物理学、サブグリッド物理学、およびサブハロ/ガラクシーファインダーの変化に対して堅牢であることがわかった。
- 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: We train graph neural networks to perform field-level likelihood-free
inference using galaxy catalogs from state-of-the-art hydrodynamic simulations
of the CAMELS project. Our models are rotational, translational, and
permutation invariant and do not impose any cut on scale. From galaxy catalogs
that only contain $3$D positions and radial velocities of $\sim 1, 000$
galaxies in tiny $(25~h^{-1}{\rm Mpc})^3$ volumes our models can infer the
value of $\Omega_{\rm m}$ with approximately $12$ % precision. More
importantly, by testing the models on galaxy catalogs from thousands of
hydrodynamic simulations, each having a different efficiency of supernova and
AGN feedback, run with five different codes and subgrid models - IllustrisTNG,
SIMBA, Astrid, Magneticum, SWIFT-EAGLE -, we find that our models are robust to
changes in astrophysics, subgrid physics, and subhalo/galaxy finder.
Furthermore, we test our models on $1,024$ simulations that cover a vast region
in parameter space - variations in $5$ cosmological and $23$ astrophysical
parameters - finding that the model extrapolates really well. Our results
indicate that the key to building a robust model is the use of both galaxy
positions and velocities, suggesting that the network have likely learned an
underlying physical relation that does not depend on galaxy formation and is
valid on scales larger than $\sim10~h^{-1}{\rm kpc}$.
- Abstract（参考訳）: 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銀河カタログを用いて、グラフニューラルネットワークを訓練し、フィールドレベル確率自由推論を行う。
我々のモデルは回転、翻訳、置換不変量であり、スケールにいかなるカットも課さない。
私たちのモデルでは、わずか$(25~h^{-1}{\rm mpc})^3$ボリュームの3ドルの位置と半径速度だけを含む銀河カタログから、約12ドルの精度で$\omega_{\rm m}$の値を推測できます。
さらに重要なことは、何千もの流体力学シミュレーションの銀河カタログ上でモデルをテストすることで、それぞれ異なる超新星とAGNフィードバックの効率を持ち、5つの異なるコードとサブグリッドモデル(IllustrisTNG, SIMBA, Astrid, Magneticum, SWIFT-EAGLE)を走らせます。
さらに、パラメータ空間の広大な領域をカバーする1,024ドルのシミュレーション(5ドルの宇宙論的パラメータと23ドルの天体物理学的パラメータのバリエーション)でモデルをテストすることで、モデルが本当にうまく外挿できることが分かりました。
その結果、強固なモデルを構築する鍵は銀河の位置と速度の両方を使用することであり、このネットワークは銀河形成に依存しず、$\sim10~h^{-1}{\rm kpc}$以上のスケールで有効である可能性が示唆された。
関連論文リスト
- SimBIG: Field-level Simulation-Based Inference of Galaxy Clustering [2.3988372195566443]
本稿では、銀河団のフィールドレベル解析から、宇宙パラメータの最初のシミュレーションベース推論(SBI)を提案する。
重み付き畳み込みニューラルネットワークを用いて、BOSS CMASS銀河サンプルのサブセットにSimBIGを適用し、銀河場の大規模データ圧縮を行う。
この研究は、競合する宇宙学の制約を提示するだけでなく、DESI、PSS、ユークリッドのような今後の銀河調査で追加の宇宙学情報を活用する新しい手法も導入している。
論文 参考訳（メタデータ） (2023-10-23T18:05:32Z) - Field-level simulation-based inference with galaxy catalogs: the impact of systematic effects [0.6271213328710472]
我々は、CAMELSプロジェクトと異なるコードで実行される何千もの最先端の流体力学シミュレーションから生成された銀河カタログ上で、我々のモデルを訓練し、テストする。
これらの効果の存在はモデルの精度と精度を低下させるが、モデルが良好に機能する銀河カタログの比率は90%以上である。
論文 参考訳（メタデータ） (2023-10-23T18:00:07Z) - Extending the Design Space of Graph Neural Networks by Rethinking
Folklore Weisfeiler-Lehman [66.23316415757456]
近年、グラフニューラルネットワーク(GNN)の最も人気のあるフレームワークとして、メッセージパッシングニューラルネットワーク(MPNN)が登場している。
しかし、その表現力は1次元のWeisfeiler-Lehman (1-WL) テストによって制限される。
我々は、任意の同変集合をすべてのノードの代わりに隣人と考える拡張、$(k,t)$-FWLを提案する。
N$2-GNN は ZINC-Subset (0.059) で記録破りの結果を達成し、以前の SOTA の成績を 10.6% 上回った。
論文 参考訳（メタデータ） (2023-06-05T21:35:32Z) - Using Machine Learning to Determine Morphologies of $z<1$ AGN Host
Galaxies in the Hyper Suprime-Cam Wide Survey [4.747578120823036]
本稿では,AGNホスト銀河の形態をz1$以内で正確に特徴付けるための機械学習フレームワークを提案する。
まず、多数のシミュレートされた銀河をトレーニングし、それからより少ない分類された実際の銀河を微調整することで、我々のフレームワークは、テストセットからホスト銀河を60～70%でシミュレートする実際の形態を予測した。
我々のモデルは96%/82%/79%のディスク精度、90%/90%/80%のバルジ精度を未決定分率30%/43%/42の閾値で達成する。
論文 参考訳（メタデータ） (2022-12-20T04:00:58Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳（メタデータ） (2022-11-17T13:01:26Z) - Robust field-level inference with dark matter halos [0.6037135999215006]
我々は、Gadget N体シミュレーションからハロカタログ上のグラフニューラルネットワークをトレーニングし、宇宙論パラメータの場レベルの可能性のない推論を行う。
haloカタログを使ってテストすると、$Omega_rm m$と$sigma_8$の値を推測できます。
論文 参考訳（メタデータ） (2022-09-14T18:00:06Z) - Learning cosmology and clustering with cosmic graphs [0.0]
我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから数千の銀河カタログのディープラーニングモデルを訓練する。
まず、GNNが数パーセントの精度で銀河カタログのパワースペクトルを計算することができることを示す。
次に、GNNをトレーニングし、銀河場レベルで可能性のない推論を行う。
論文 参考訳（メタデータ） (2022-04-28T18:00:02Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ 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) - Exploring Sparse Expert Models and Beyond [51.90860155810848]
Mixture-of-Experts (MoE) モデルは、無数のパラメータを持つが、一定の計算コストで有望な結果が得られる。
本稿では,専門家を異なるプロトタイプに分割し,上位1ドルのルーティングに$k$を適用する,エキスパートプロトタイピングというシンプルな手法を提案する。
この戦略は, モデル品質を向上させるが, 一定の計算コストを維持するとともに, 大規模モデルのさらなる探索により, 大規模モデルの訓練に有効であることが示唆された。
論文 参考訳（メタデータ） (2021-05-31T16:12:44Z) - 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) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。