論文の概要: Predicting the Initial Conditions of the Universe using Deep Learning
- arxiv url: http://arxiv.org/abs/2303.13056v1
- Date: Thu, 23 Mar 2023 06:04:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 15:33:21.799100
- Title: Predicting the Initial Conditions of the Universe using Deep Learning
- Title（参考訳）: 深層学習による宇宙の初期状態の予測
- Authors: Vaibhav Jindal, Drew Jamieson, Albert Liang, Aarti Singh, Shirley Ho
- Abstract要約: 我々は、N体系の線形変位を出力するV-Netベースの畳み込みニューラルネットワークを訓練する。
このニューラルネットワークは, 広範囲にわたる初期線形変位場を正確に復元することを示した。
提案手法の結果から,ニューラルネットワークモデルが線形状態の近似として有効である可能性が示唆された。
- 参考スコア（独自算出の注目度）: 16.541887423867216
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Finding the initial conditions that led to the current state of the universe
is challenging because it involves searching over a vast input space of initial
conditions, along with modeling their evolution via tools such as N-body
simulations which are computationally expensive. Deep learning has emerged as
an alternate modeling tool that can learn the mapping between the linear input
of an N-body simulation and the final nonlinear displacements at redshift zero,
which can significantly accelerate the forward modeling. However, this does not
help reduce the search space for initial conditions. In this paper, we
demonstrate for the first time that a deep learning model can be trained for
the reverse mapping. We train a V-Net based convolutional neural network, which
outputs the linear displacement of an N-body system, given the current time
nonlinear displacement and the cosmological parameters of the system. We
demonstrate that this neural network accurately recovers the initial linear
displacement field over a wide range of scales ($<1$-$2\%$ error up to nearly
$k = 1\ \mathrm{Mpc}^{-1}\,h$), despite the ill-defined nature of the inverse
problem at smaller scales. Specifically, smaller scales are dominated by
nonlinear effects which makes the backward dynamics much more susceptible to
numerical and computational errors leading to highly divergent backward
trajectories and a one-to-many backward mapping. The results of our method
motivate that neural network based models can act as good approximators of the
initial linear states and their predictions can serve as good starting points
for sampling-based methods to infer the initial states of the universe.
- Abstract（参考訳）: 宇宙の現在の状態に繋がる初期条件を見つけることは、初期条件の広大な入力空間を探索することと、計算コストのかかるNボディシミュレーションのようなツールによる進化をモデル化することを含むため、難しい。
深層学習は、N体シミュレーションの線形入力と赤方偏移ゼロにおける最終的な非線形変位とのマッピングを学習し、前方モデリングを著しく加速する代替モデリングツールとして登場した。
しかし、これは初期条件の検索スペースを減らす助けにはならない。
本稿では,逆マッピングのために深層学習モデルをトレーニングできることを初めて示す。
我々は、現在の時間的非線形変位とシステムの宇宙的パラメータを考慮し、N体系の線形変位を出力するV-Netベースの畳み込みニューラルネットワークを訓練する。
このニューラルネットワークは,小さいスケールでの逆問題の性質がよく定義されていないにもかかわらず,幅広いスケールでの線形変位場(<1$-$2\%$誤差)をほぼ$k = 1\ \mathrm{Mpc}^{-1}\,h$まで正確に回復することを示した。
特に、小さなスケールは非線形効果によって支配されるため、後方ダイナミクスは数値的および計算的誤差に非常に敏感になり、高度に発散した後方軌道と1対多の後方マッピングに繋がる。
提案手法は,ニューラルネットワークをベースとしたモデルが初期線形状態のよい近似器として機能し,その予測が宇宙の初期状態を予測するサンプリングベース手法のよい出発点となることを示す。
関連論文リスト
- Learning the Universe: Learning to Optimize Cosmic Initial Conditions with Non-Differentiable Structure Formation Models [0.0]
本稿では,3次元宇宙初期条件を再構築するためのLearning the Universe by Learning to Optimize (LULO)を紹介する。
LULOは、3次元宇宙の初期条件を再構築するための勾配のないフレームワークである。
ダークマターのみの$N$ボディシミュレーションで同定した$M_200mathrmc$halosから初期条件を正確に再構成することで,本手法を実証する。
論文 参考訳（メタデータ） (2025-02-18T19:17:01Z) - Beyond Closure Models: Learning Chaotic-Systems via Physics-Informed Neural Operators [78.64101336150419]
カオスシステムの長期的挙動を予測することは、気候モデリングなどの様々な応用に不可欠である。
このような完全解法シミュレーションに対する別のアプローチは、粗いグリッドを使用して、時間テキストモデルによってエラーを修正することである。
この制限を克服する物理インフォームド・ニューラル演算子(PINO)を用いたエンド・ツー・エンドの学習手法を提案する。
論文 参考訳（メタデータ） (2024-08-09T17:05:45Z) - Predicting Ground State Properties: Constant Sample Complexity and Deep Learning Algorithms [48.869199703062606]
量子多体物理学における基本的な問題は、局所ハミルトニアンの基底状態を見つけることである。
基底状態特性を学習するためのシステムサイズ$n$とは無関係に,一定のサンプル複雑性を実現する2つのアプローチを導入する。
論文 参考訳（メタデータ） (2024-05-28T18:00:32Z) - Initialization Approach for Nonlinear State-Space Identification via the
Subspace Encoder Approach [0.0]
SUBNETは入力出力データから非線形状態空間モデルを特定するために開発された。
状態エンコーダ関数を導入し、過去の入力出力データから現在の状態を再構築する。
本稿では,Best Linear Approximation (BLA) を用いた部分空間エンコーダ手法の初期化に焦点を当てる。
論文 参考訳（メタデータ） (2023-04-04T20:57:34Z) - 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) - Simple lessons from complex learning: what a neural network model learns
about cosmic structure formation [7.270598539996841]
我々は、宇宙論的N体シミュレーションの完全な位相空間進化を予測するためにニューラルネットワークモデルを訓練する。
本モデルでは, 非線形スケールでの精度を, COLAに対して有意な改善を示す$ksim 1 MathrmMpc-1, h$で達成する。
論文 参考訳（メタデータ） (2022-06-09T15:41:09Z) - The Neural Network shifted-Proper Orthogonal Decomposition: a Machine
Learning Approach for Non-linear Reduction of Hyperbolic Equations [0.0]
本研究では,統計的学習フレームワークにおいて,正しい前処理変換を自動的に検出する問題にアプローチする。
純粋にデータ駆動方式により、線形部分空間操作の既存のアプローチを未知の対流場を持つ非線形双曲問題に一般化することができる。
提案アルゴリズムは、その性能をベンチマークするために単純なテストケースに対して検証され、その後、多相シミュレーションに成功している。
論文 参考訳（メタデータ） (2021-08-14T15:13:35Z) - Fixed Depth Hamiltonian Simulation via Cartan Decomposition [59.20417091220753]
時間に依存しない深さの量子回路を生成するための構成的アルゴリズムを提案する。
一次元横フィールドXYモデルにおけるアンダーソン局在化を含む、モデルの特殊クラスに対するアルゴリズムを強調する。
幅広いスピンモデルとフェルミオンモデルに対して正確な回路を提供するのに加えて、我々のアルゴリズムは最適なハミルトニアンシミュレーションに関する幅広い解析的および数値的な洞察を提供する。
論文 参考訳（メタデータ） (2021-04-01T19:06:00Z) - Improved Initialization of State-Space Artificial Neural Networks [0.0]
ブラックボックスの非線形状態空間モデルの同定は、状態方程式と出力方程式の柔軟な表現を必要とする。
本稿では,リカレントニューラルネットワークとして表現される非線形状態空間モデルに対する改良手法を提案する。
論文 参考訳（メタデータ） (2021-03-26T15:16:08Z) - Measuring Model Complexity of Neural Networks with Curve Activation
Functions [100.98319505253797]
本稿では,線形近似ニューラルネットワーク(LANN)を提案する。
ニューラルネットワークのトレーニングプロセスを実験的に検討し、オーバーフィッティングを検出する。
我々は、$L1$と$L2$正規化がモデルの複雑さの増加を抑制することを発見した。
論文 参考訳（メタデータ） (2020-06-16T07:38:06Z) - 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。