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

• How DREAMS are made: Emulating Satellite Galaxy and Subhalo Populations with Diffusion Models and Point Clouds [1.203672395409347]
  暗黒物質ハロー上に銀河・サブハロスを描くための変分拡散モデルと変圧器に基づく生成フレームワークNeHODを提案する。 それぞれのハロについて、NeHODは中心銀河と衛星銀河の位置、速度、質量、濃度を予測する。 本モデルでは,シミュレーションパラメータの関数として,サブハロ特性間の複雑な関係を捉える。
  論文  参考訳（メタデータ） (2024-09-04T18:00:00Z)
• Engineering a Josephson junction chain for the simulation of the clock model [0.0]
  ジョセフソン接合配列(JJA)の前例のないチューニングを可能にする製造技術と高品質半導体-超伝導界面 実験的にアクセス可能な制御パラメータはほとんどなく、関連する低エネルギー場理論の豊富な位相図を探索できることを示す。 JJAを用いたアナログ量子シミュレーションは, 量子ビットアーキテクチャでは効率的に捕捉できないモデルに向けて, 水平線を拡大する。
  論文  参考訳（メタデータ） (2024-08-26T18:01:22Z)
• SurroFlow: A Flow-Based Surrogate Model for Parameter Space Exploration and Uncertainty Quantification [17.175947741031674]
  既存のディープラーニングベースのサロゲートモデルは、効率的なデータ生成を容易にするが、不確実な定量化、効率的なパラメータ空間探索、逆予測に不足する。 シミュレーションパラメータとシミュレーション出力の間の可逆変換を学習するために,フローベースサロゲートモデルを正規化した新しいモデルであるSurroFlowを紹介した。 本フレームワークは,科学的サロゲートモデルの信頼性と探索能力を向上しつつ,計算コストを大幅に削減する。
  論文  参考訳（メタデータ） (2024-07-16T19:08:49Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)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-リガンド結合ダイナミクス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。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,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)
• 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)

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。