Fugu-MT 論文翻訳(概要): Predicting the Initial Conditions of the Universe using a Deterministic Neural Network

論文の概要: Predicting the Initial Conditions of the Universe using a Deterministic Neural Network

arxiv url: http://arxiv.org/abs/2303.13056v2
Date: Thu, 14 Dec 2023 02:48:36 GMT
ステータス: 処理完了
システム内更新日: 2023-12-16 05:07:27.616321
Title: Predicting the Initial Conditions of the Universe using a Deterministic Neural Network
Title（参考訳）: 決定論的ニューラルネットワークによる宇宙の初期状態の予測
Authors: Vaibhav Jindal, Albert Liang, Aarti Singh, Shirley Ho, Drew Jamieson
Abstract要約: 宇宙の現在の状態に繋がる初期条件を見つけることは、初期条件の難解な入力空間を探索することを伴うため、難しい。深層学習は,N体シミュレーションの線形入力とシミュレーションからの最終的な非線形出力のマッピングを直接学習することにより,N体シミュレーションの代用として登場した。本研究では, 逆写像の学習に決定論的畳み込みニューラルネットワークを応用し, 広い範囲にわたる線形変位場を正確に復元することを示す。
参考スコア（独自算出の注目度）: 10.158552381785078
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 an intractable input space of initial conditions, along with modeling their evolution via tools such as N-body simulations which are computationally expensive. Recently, deep learning has emerged as a surrogate for N-body simulations by directly learning the mapping between the linear input of an N-body simulation and the final nonlinear output from the simulation, significantly accelerating the forward modeling. However, this still does not reduce the search space for initial conditions. In this work, we pioneer the use of a deterministic convolutional neural network for learning the reverse mapping and show that it accurately recovers the initial linear displacement field over a wide range of scales ($<1$-$2\%$ error up to nearly $k\simeq0.8$-$0.9 \text{ Mpc}^{-1}h$), despite the one-to-many mapping of the inverse problem (due to the divergent backward trajectories at smaller scales). Specifically, we train a V-Net architecture, which outputs the linear displacement of an N-body simulation, given the nonlinear displacement at redshift $z=0$ and the cosmological parameters. The results of our method suggest that a simple deterministic neural network is sufficient for accurately approximating the initial linear states, potentially obviating the need for the more complex and computationally demanding backward modeling methods that were recently proposed.
Abstract（参考訳）: 宇宙の現在の状態につながる初期条件の発見は、初期条件の難解な入力空間を探索することと、計算的に高価であるn体シミュレーションのようなツールによってその進化をモデル化することを伴うため、困難である。近年,N体シミュレーションの線形入力とシミュレーションからの最終的な非線形出力のマッピングを直接学習することで,N体シミュレーションの代理としてディープラーニングが登場し,フォワードモデリングが著しく加速している。しかし、これは初期条件の探索空間を減少させるものではない。本研究では,逆写像の学習に決定論的畳み込みニューラルネットワークを用いることで,逆問題の1対1の写像(小規模の発散した後方軌道による)にもかかわらず,広い範囲にわたる線形変位場(<1$-$2\%$エラー)をほぼ$k\simeq0.8$-$0.9 \text{ Mpc}^{-1}h$まで正確に回復することを示す。具体的には、赤方偏移$z=0$の非線形変位と宇宙パラメータを考慮し、N体シミュレーションの線形変位を出力するV-Netアーキテクチャを訓練する。その結果,単純な決定論的ニューラルネットワークは,初期線形状態の近似化に十分であり,最近提案されているより複雑で計算に要求される後方モデリング手法の必要性を回避できる可能性が示唆された。

関連論文リスト

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)
Field Level Neural Network Emulator for Cosmological N-body Simulations [7.051595217991437]
非線形状態において高精度な宇宙構造形成のためのフィールドレベルエミュレータを構築した。我々は、2つの畳み込みニューラルネットワークを用いて、N体シミュレーション粒子の非線形変位と速度を出力する。
論文参考訳（メタデータ） (2022-06-09T16:21:57Z)
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。