論文の概要: The CAMELS project: Expanding the galaxy formation model space with new
ASTRID and 28-parameter TNG and SIMBA suites
- arxiv url: http://arxiv.org/abs/2304.02096v1
- Date: Tue, 4 Apr 2023 19:45:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-06 14:15:57.958426
- Title: The CAMELS project: Expanding the galaxy formation model space with new
ASTRID and 28-parameter TNG and SIMBA suites
- Title(参考訳): CAMELSプロジェクト:新しいASTRIDと28パラメータTNGとSIMBAスイートで銀河形成モデル空間を拡張する
- Authors: Yueying Ni, Shy Genel, Daniel Angl\'es-Alc\'azar, Francisco
Villaescusa-Navarro, Yongseok Jo, Simeon Bird, Tiziana Di Matteo, Rupert
Croft, Nianyi Chen, Natal\'i S. M. de Santi, Matthew Gebhardt, Helen Shao,
Shivam Pandey, Lars Hernquist, Romeel Dave
- Abstract要約: 本稿では,Machine Learningプロジェクトによる宇宙物理学・天体物理学における3番目の流体力学シミュレーションスイートであるCAMELS-ASTRIDについて紹介する。
CAMELS-ASTRIDは、ASTRIDシミュレーションに続いて銀河形成モデルを採用している。
堅牢な機械学習モデルの構築は、銀河形成モデルの最大の多様性に関するトレーニングとテストに有利であることを示す。
- 参考スコア(独自算出の注目度): 1.020432900883002
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present CAMELS-ASTRID, the third suite of hydrodynamical simulations in
the Cosmology and Astrophysics with MachinE Learning (CAMELS) project, along
with new simulation sets that extend the model parameter space based on the
previous frameworks of CAMELS-TNG and CAMELS-SIMBA, to provide broader training
sets and testing grounds for machine-learning algorithms designed for
cosmological studies. CAMELS-ASTRID employs the galaxy formation model
following the ASTRID simulation and contains 2,124 hydrodynamic simulation runs
that vary 3 cosmological parameters ($\Omega_m$, $\sigma_8$, $\Omega_b$) and 4
parameters controlling stellar and AGN feedback. Compared to the existing TNG
and SIMBA simulation suites in CAMELS, the fiducial model of ASTRID features
the mildest AGN feedback and predicts the least baryonic effect on the matter
power spectrum. The training set of ASTRID covers a broader variation in the
galaxy populations and the baryonic impact on the matter power spectrum
compared to its TNG and SIMBA counterparts, which can make machine-learning
models trained on the ASTRID suite exhibit better extrapolation performance
when tested on other hydrodynamic simulation sets. We also introduce extension
simulation sets in CAMELS that widely explore 28 parameters in the TNG and
SIMBA models, demonstrating the enormity of the overall galaxy formation model
parameter space and the complex non-linear interplay between cosmology and
astrophysical processes. With the new simulation suites, we show that building
robust machine-learning models favors training and testing on the largest
possible diversity of galaxy formation models. We also demonstrate that it is
possible to train accurate neural networks to infer cosmological parameters
using the high-dimensional TNG-SB28 simulation set.
- Abstract(参考訳): 今回,機械学習(camels)による宇宙論および天体物理学における第3の流体力学シミュレーションスイートであるcamls-astridと,camels-tngおよびcamls-simbaの以前のフレームワークに基づいたモデルパラメータ空間を拡張する新しいシミュレーションセットを提案する。
CAMELS-ASTRIDは、ASTRIDシミュレーションに続く銀河形成モデルを使用し、3つの宇宙パラメータ(Omega_m$, $\sigma_8$, $\Omega_b$)と4つの恒星とAGNフィードバックを制御する4つのパラメータを含む、2,124の流体力学シミュレーションを実行する。
CAMELS の既存の TNG と SIMBA シミュレーションスイートと比較して、ASTRID のフィデューシャルモデルは、最も穏やかなAGN フィードバックを特徴とし、物質パワースペクトルに対する最小バリオン効果を予測する。
ASTRIDのトレーニングセットは、銀河団の幅広いバリエーションと、TNGやSIMBAと比較して、物質パワースペクトルに対するバリオンの影響をカバーしており、ASTRIDスイートでトレーニングされた機械学習モデルは、他の流体力学シミュレーションセットでテストすると、より良い外挿性能を示すことができる。
また、TNGモデルとSIMBAモデルにおいて28のパラメータを幅広く探索し、銀河形成モデルパラメータ空間全体と宇宙論と天体物理過程の間の複雑な非線形相互作用を実証する拡張シミュレーションセットを導入する。
新しいシミュレーションスイートでは、堅牢な機械学習モデルの構築は、銀河形成モデルの最大の多様性に関するトレーニングとテストに有利であることを示す。
また,高次元TNG-SB28シミュレーションセットを用いて,正確なニューラルネットワークを用いて宇宙パラメータを推定できることを示す。
関連論文リスト
- A Multi-Grained Symmetric Differential Equation Model for Learning
Protein-Ligand Binding Dynamics [74.93549765488103]
薬物発見において、分子動力学シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合の正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
我々は、標準的な数値MDシミュレーションよりも2000$times$のスピードアップを達成し、安定性の指標の下では、他のMLアプローチよりも最大80%高い効率で、NeuralMDの有効性と有効性を示す。
論文 参考訳(メタデータ) (2024-01-26T09:35:17Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳(メタデータ) (2023-05-21T03:51:03Z) - ELSA -- Enhanced latent spaces for improved collider simulations [0.1450405446885067]
シミュレーションは、コライダー物理学における推論において重要な役割を果たす。
機械学習を用いてシミュレーションの精度を高めるための様々なアプローチを探索する。
修正されたシミュレーションは、幅広い位相空間にわたって、サブパーセンテージの精度を達成することができる。
論文 参考訳(メタデータ) (2023-05-12T18:00:03Z) - Fast emulation of cosmological density fields based on dimensionality
reduction and supervised machine-learning [0.0]
簡単な機械学習手法を用いて,高速暗黒物質密度場エミュレーションを競合精度で実行可能であることを示す。
異なる宇宙パラメータに対する新しい密度立方体は、新しいN体シミュレーションに直接頼らずに推定できる。
論文 参考訳(メタデータ) (2023-04-12T18:29:26Z) - Active Learning for Computationally Efficient Distribution of Binary
Evolution Simulations [0.19359975080269876]
我々は,データ収集プロセスにおける機械学習を用いて,対象とするシミュレーションを適応的かつ反復的に選択する,新しい能動的学習アルゴリズムであるpsy-crisを提案する。
おもちゃの問題に対してpsy-crisを試験し、その結果のトレーニングセットが正規またはランダムにサンプリングされたグリッドよりも正確な分類と回帰のシミュレーションを少なくする必要があることを発見した。
論文 参考訳(メタデータ) (2022-03-30T21:36:32Z) - 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) - Scientific multi-agent reinforcement learning for wall-models of
turbulent flows [5.678337324555036]
大規模シミュレーションのための壁モデル発見のための科学的マルチエージェント強化学習(SciMARL)を紹介する。
現在のシミュレーションは、完全に解決されたシミュレーションよりも数桁の計算コストを削減している。
論文 参考訳(メタデータ) (2021-06-21T14:30:10Z) - Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。
能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。
その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
論文 参考訳(メタデータ) (2021-06-05T01:31:51Z) - Using Machine Learning at Scale in HPC Simulations with SmartSim: An
Application to Ocean Climate Modeling [52.77024349608834]
We demonstrate the first climate-scale, numerical ocean Simulations improve through distributed, online inference of Deep Neural Networks (DNN) using SmartSim。
SmartSimは、従来のHPCシミュレーションのためのオンライン分析と機械学習(ML)を可能にするためのライブラリです。
論文 参考訳(メタデータ) (2021-04-13T19:27:28Z) - Machine learning for rapid discovery of laminar flow channel wall
modifications that enhance heat transfer [56.34005280792013]
任意の, 平坦な, 非平坦なチャネルの正確な数値シミュレーションと, ドラッグ係数とスタントン数を予測する機械学習モデルを組み合わせる。
畳み込みニューラルネットワーク(CNN)は,数値シミュレーションのわずかな時間で,目標特性を正確に予測できることを示す。
論文 参考訳(メタデータ) (2021-01-19T16:14:02Z) - Alternating ConvLSTM: Learning Force Propagation with Alternate State
Updates [29.011464047344614]
本稿では, 変形可能な物体の力伝達機構をモデル化した交互畳み込み長短期記憶(Alt-ConvLSTM)を提案する。
数値PDE解法のフォワード法において,この手法が第1項と第2項の交互更新を模倣することを示す。
ヒト軟組織シミュレーションにおけるAlt-ConvLSTMの有効性を検討した。
論文 参考訳(メタデータ) (2020-06-14T06:43:33Z)
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。