論文の概要: Fast emulation of cosmological density fields based on dimensionality
reduction and supervised machine-learning
- arxiv url: http://arxiv.org/abs/2304.06099v1
- Date: Wed, 12 Apr 2023 18:29:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 16:40:37.265978
- Title: Fast emulation of cosmological density fields based on dimensionality
reduction and supervised machine-learning
- Title(参考訳): 次元性低減と教師付き機械学習に基づく宇宙密度場の高速エミュレーション
- Authors: Miguel Concei\c{c}\~ao, Alberto Krone-Martins, Antonio da Silva,
\'Angeles Molin\'e
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: N-body simulations are the most powerful method to study the non-linear
evolution of large-scale structure. However, they require large amounts of
computational resources, making unfeasible their direct adoption in scenarios
that require broad explorations of parameter spaces. In this work, we show that
it is possible to perform fast dark matter density field emulations with
competitive accuracy using simple machine-learning approaches. We build an
emulator based on dimensionality reduction and machine learning regression
combining simple Principal Component Analysis and supervised learning methods.
For the estimations with a single free parameter, we train on the dark matter
density parameter, $\Omega_m$, while for emulations with two free parameters,
we train on a range of $\Omega_m$ and redshift. The method first adopts a
projection of a grid of simulations on a given basis; then, a machine learning
regression is trained on this projected grid. Finally, new density cubes for
different cosmological parameters can be estimated without relying directly on
new N-body simulations by predicting and de-projecting the basis coefficients.
We show that the proposed emulator can generate density cubes at non-linear
cosmological scales with density distributions within a few percent compared to
the corresponding N-body simulations. The method enables gains of three orders
of magnitude in CPU run times compared to performing a full N-body simulation
while reproducing the power spectrum and bispectrum within $\sim 1\%$ and $\sim
3\%$, respectively, for the single free parameter emulation and $\sim 5\%$ and
$\sim 15\%$ for two free parameters. This can significantly accelerate the
generation of density cubes for a wide variety of cosmological models, opening
the doors to previously unfeasible applications, such as parameter and model
inferences at full survey scales as the ESA/NASA Euclid mission.
- Abstract(参考訳): N体シミュレーションは、大規模構造の非線形進化を研究する最も強力な方法である。
しかし、それらは大量の計算資源を必要としており、パラメータ空間の広範な探索を必要とするシナリオで直接採用することは不可能である。
本研究では,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。
我々は,単純な主成分分析と教師付き学習法を組み合わせた次元削減と機械学習回帰に基づくエミュレータを構築した。
1つの自由パラメータによる推定では、ダークマター密度パラメータである$\omega_m$でトレーニングし、2つの自由パラメータを持つエミュレーションでは$\omega_m$とredshiftの範囲でトレーニングします。
この手法は、まず所定のベースでシミュレーションのグリッドのプロジェクションを採用し、次に、このプロジェクションされたグリッド上で機械学習の回帰を訓練する。
最後に、異なる宇宙パラメータに対する新しい密度立方体を、基底係数を予測・デプロジェクションすることによって、新しいN体シミュレーションに直接依存せずに推定することができる。
提案するエミュレータは,n体シミュレーションと比較して密度分布が数パーセント以内の非線形宇宙スケールで密度立方体を生成することができる。
この方法は、単一の自由パラメータエミュレーションに対してそれぞれ$\sim 1\%$と$\sim 3\%$と$\sim 5\%$と$\sim 15\%$の2つの自由パラメータでパワースペクトルとバイスペクトラムを再現しながら、完全なn体シミュレーションを行うよりも3桁のcpu実行時間が得られる。
これにより、様々な宇宙モデルに対する密度立方体の生成が大幅に加速し、ESA/NASAのユークリッドミッションのような完全な調査スケールでのパラメータやモデル推論など、これまで実現できなかった応用に扉を開くことができる。
関連論文リスト
- Cosmological Analysis with Calibrated Neural Quantile Estimation and Approximate Simulators [0.0]
我々は,多数の近似シミュレーションをトレーニングに利用し,少数の高忠実度シミュレーションをキャリブレーションに利用した新しいシミュレーションベース推論(SBI)手法を提案する。
概念の証明として、2次元暗黒物質密度写像から、z=0$で$k_rm maxsim1.5,h$/Mpcまでの距離で宇宙的パラメータを推定できることが示される。
キャリブレーション後部は、$sim104$ expensive Particle-Particle (PP) シミュレーションの直接トレーニングにより得られたものとよく一致するが、計算コストのごく一部で一致する。
論文 参考訳(メタデータ) (2024-11-22T05:53:46Z) - CHARM: Creating Halos with Auto-Regressive Multi-stage networks [1.6987257996124416]
CHARMは、モックハローカタログを作成するための新しい方法である。
モックハローカタログと塗装された銀河カタログは、実空間と赤方偏移空間の両方でN$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
論文 参考訳(メタデータ) (2024-09-13T18:00:06Z) - A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。
我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。
従来の数値MDシミュレーションと比較して1K$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) - Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。
我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
論文 参考訳(メタデータ) (2023-09-01T16:59:21Z) - 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) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。
本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。
疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文 参考訳(メタデータ) (2022-06-10T04:54:13Z) - 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) - Fast and realistic large-scale structure from machine-learning-augmented
random field simulations [0.0]
我々は、予測された対数正規ダークマター密度場をより現実的なダークマターマップに変換するために機械学習モデルを訓練する。
本研究では,フィールド分解能,赤方偏移,宇宙論的パラメータの異なる様々な統計的テストと比較したモデルの性能を示す。
論文 参考訳(メタデータ) (2022-05-16T18:00:01Z) - 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) - 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。