論文の概要: Denoising Diffusion Probabilistic Models to Predict the Density of Molecular Clouds

• arxiv url: http://arxiv.org/abs/2304.01670v1
• Date: Tue, 4 Apr 2023 09:58:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-05 14:16:10.203518
• Title: Denoising Diffusion Probabilistic Models to Predict the Density of Molecular Clouds
• Title（参考訳）: 分子雲の密度予測のための非定常拡散確率モデル
• Authors: Duo Xu, Jonathan C. Tan, Chia-Jung Hsu, Ye Zhu
• Abstract要約: 本稿では,巨大分子雲(GMC)の体積あるいは数密度を推定する手法として,DDPM(Denoising Diffusion Probabilistic Model)を提案する。 我々は大域磁場強度と大規模ダイナミクスの異なる磁気流体力学シミュレーションを採用する。 我々は、質量表面密度マップと対応する数密度マップの両方に異なる視角から拡散モデルを訓練する。
• 参考スコア（独自算出の注目度）: 2.4628420705850638
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We introduce the state-of-the-art deep learning Denoising Diffusion Probabilistic Model (DDPM) as a method to infer the volume or number density of giant molecular clouds (GMCs) from projected mass surface density maps. We adopt magnetohydrodynamic simulations with different global magnetic field strengths and large-scale dynamics, i.e., noncolliding and colliding GMCs. We train a diffusion model on both mass surface density maps and their corresponding mass-weighted number density maps from different viewing angles for all the simulations. We compare the diffusion model performance with a more traditional empirical two-component and three-component power-law fitting method and with a more traditional neural network machine learning approach (CASI-2D). We conclude that the diffusion model achieves an order of magnitude improvement on the accuracy of predicting number density compared to that by other methods. We apply the diffusion method to some example astronomical column density maps of Taurus and the Infrared Dark Clouds (IRDCs) G28.37+0.07 and G35.39-0.33 to produce maps of their mean volume densities.
• Abstract（参考訳）: 本稿では,予測質量表面密度マップから巨大分子雲(GMC)の体積または数密度を推定する手法として,DDPM(Denoising Diffusion Probabilistic Model)を提案する。 我々は,大域磁場強度の異なる磁気流体力学シミュレーションと大規模ダイナミクス,すなわち非衝突・衝突GMCを採用する。 質量表面密度マップとそれに対応する質量重み付き数密度マップの両方の拡散モデルを異なる角度から訓練し,シミュレーションを行った。 拡散モデルの性能を,従来の経験的2成分および3成分のパワーローフィッティング法と,従来型ニューラルネットワーク機械学習手法(casi-2d)と比較した。 その結果,拡散モデルは,他の手法と比較して,数密度予測の精度が桁違いに向上することがわかった。 本研究では,タウルスと赤外線暗黒雲(IRDC) G28.37+0.07 と G35.39-0.33 に拡散法を適用して平均体積密度の地図を作成する。

関連論文リスト

• Diffusion Density Estimators [0.0]
  本稿では,フローを解くことなくログ密度を計算できる新しい並列化手法を提案する。 我々のアプローチは、モンテカルロによる経路積分を、拡散モデルのシミュレーション不要な訓練と同一の方法で推定することに基づいている。
  論文  参考訳（メタデータ） (2024-10-09T15:21:53Z)
• Reconstructing Galaxy Cluster Mass Maps using Score-based Generative Modeling [9.386611764730791]
  本稿では,銀河団のガス・ダークマター投影密度マップをスコアベース生成モデルを用いて再構成する手法を提案する。 拡散モデルでは, 模擬SZおよびX線像を条件付き観測として捉え, 学習データ後部からのサンプリングにより, 対応するガスおよびダークマターマップの実現を図っている。
  論文  参考訳（メタデータ） (2024-10-03T18:00:03Z)
• Towards diffusion models for large-scale sea-ice modelling [0.4498088099418789]
  データ空間におけるガウス分布を検閲して、潜伏拡散モデルを海氷物理学に調整し、モデル化された変数の物理的境界に従うデータを生成する。 我々の潜伏拡散モデルは、データ空間で訓練された拡散モデルと同様のスコアに達するが、潜伏写像によって生成されたフィールドは滑らかである。 大規模地球系モデリングでは、スムース化の重要な障壁を解決することができる場合、遅延拡散モデルはデータ空間の拡散に比べて多くの利点を持つ。
  論文  参考訳（メタデータ） (2024-06-26T15:11:15Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• $CrowdDiff$: Multi-hypothesis Crowd Density Estimation using Diffusion Models [26.55769846846542]
  群集カウントは群集分析の基本的な問題であり、群集密度マップを推定し、群集密度値の和を和らげることが典型的である。 逆拡散過程として群衆密度マップを生成するCrowdDiff$を提示する。 また,拡散モデルの性質から,数量化性能を向上させるため,複数の密度マップを作成することを提案する。
  論文  参考訳（メタデータ） (2023-03-22T17:58:01Z)
• Diffusion Models are Minimax Optimal Distribution Estimators [49.47503258639454]
  拡散モデリングの近似と一般化能力について、初めて厳密な分析を行った。 実密度関数がベソフ空間に属し、経験値整合損失が適切に最小化されている場合、生成したデータ分布は、ほぼ最小の最適推定値が得られることを示す。
  論文  参考訳（メタデータ） (2023-03-03T11:31:55Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Modiff: Action-Conditioned 3D Motion Generation with Denoising Diffusion Probabilistic Models [58.357180353368896]
  本稿では,現実的で多様な3D骨格に基づく運動生成問題に対処するために,拡散確率モデル(DDPM)の利点を生かした条件付きパラダイムを提案する。 我々はDDPMを用いてカテゴリ的動作で条件付けられた動作列の可変数を合成する先駆的な試みである。
  論文  参考訳（メタデータ） (2023-01-10T13:15:42Z)
• Unifying Diffusion Models' Latent Space, with Applications to CycleDiffusion and Guidance [95.12230117950232]
  関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。 テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
  論文  参考訳（メタデータ） (2022-10-11T15:53:52Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• DeepDFT: Neural Message Passing Network for Accurate Charge Density Prediction [0.0]
  DeepDFTは原子周辺の電子電荷密度を予測するためのディープラーニングモデルである。 モデルの精度とスケーラビリティは、分子、固体、液体に対して実証される。
  論文  参考訳（メタデータ） (2020-11-04T16:56:08Z)

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。