Fugu-MT 論文翻訳(概要): Explaining dark matter halo density profiles with neural networks

論文の概要: Explaining dark matter halo density profiles with neural networks

arxiv url: http://arxiv.org/abs/2305.03077v1
Date: Thu, 4 May 2023 18:00:01 GMT
ステータス: 処理完了
システム内更新日: 2023-05-08 16:23:38.174789
Title: Explaining dark matter halo density profiles with neural networks
Title（参考訳）: ニューラルネットワークによる暗黒物質ハロ密度分布の解明
Authors: Luisa Lucie-Smith, Hiranya V. Peiris and Andrew Pontzen
Abstract要約: 説明可能なニューラルネットワークを用いて、暗黒物質ハロの進化史と密度プロファイルを結びつける。この結果は、複雑な天体物理学データセットにおける機械による科学的発見の可能性を示している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We use explainable neural networks to connect the evolutionary history of dark matter halos with their density profiles. The network captures independent factors of variation in the density profiles within a low-dimensional representation, which we physically interpret using mutual information. Without any prior knowledge of the halos' evolution, the network recovers the known relation between the early time assembly and the inner profile, and discovers that the profile beyond the virial radius is described by a single parameter capturing the most recent mass accretion rate. The results illustrate the potential for machine-assisted scientific discovery in complicated astrophysical datasets.
Abstract（参考訳）: 説明可能なニューラルネットワークを用いて、暗黒物質ハロの進化史と密度プロファイルを結びつける。ネットワークは低次元表現における密度プロファイルの変化の独立な要因を捉え、相互情報を用いて物理的に解釈する。ハロスの進化に関する事前の知識がなければ、ネットワークは初期の組立と内部プロファイルの間の既知の関係を回復し、ウイルス半径を超えるプロファイルが最新の質量蓄積率を計測する単一のパラメータによって記述されることを発見する。この結果は、複雑な天体物理学データセットにおける機械による科学的発見の可能性を示している。

関連論文リスト

Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文参考訳（メタデータ） (2023-12-04T01:32:42Z)
Addressing caveats of neural persistence with deep graph persistence [54.424983583720675]
神経の持続性に影響を与える主な要因は,ネットワークの重みのばらつきと大きな重みの空間集中である。単一層ではなく,ニューラルネットワーク全体へのニューラルネットワークの持続性に基づくフィルタリングの拡張を提案する。これにより、ネットワーク内の永続的なパスを暗黙的に取り込み、分散に関連する問題を緩和するディープグラフの永続性測定が得られます。
論文参考訳（メタデータ） (2023-07-20T13:34:11Z)
Effects of Data Geometry in Early Deep Learning [16.967930721746672]
ディープニューラルネットワークは、画像からグラフまで、さまざまなタイプのデータ上の関数を、基礎構造によって近似することができる。ニューラルネットワークが線形関数として振る舞う領域にデータ多様体を分割する。
論文参考訳（メタデータ） (2022-12-29T17:32:05Z)
Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文参考訳（メタデータ） (2022-07-07T17:55:26Z)
Insights into the origin of halo mass profiles from machine learning [0.0]
我々は、解釈可能な機械学習フレームワークを使用して、暗黒物質ハローの球面平均質量プロファイルの起源に関する物理的な洞察を提供する。我々は,クラスタサイズのハローの最終質量プロファイルを予測するために,勾配ブースト木アルゴリズムを訓練する。
論文参考訳（メタデータ） (2022-05-09T18:00:00Z)
Discovering the building blocks of dark matter halo density profiles with neural networks [1.693850258397177]
ニューラルネットワークモデルを用いて、各ハローを含む原密度場からダークマター密度プロファイルへのマッピングを学習する。二次元表現は、密度プロファイルをヴィリアル半径まで正確にモデル化するのに十分である。 3次元の表現は、ヴィリアル半径の外側のプロファイルを記述するために必要である。
論文参考訳（メタデータ） (2022-03-16T18:00:01Z)
The Spectral Bias of Polynomial Neural Networks [63.27903166253743]
PNN(Polynomial Neural Network)は、高頻度情報を重要視する画像生成と顔認識に特に有効であることが示されている。これまでの研究では、ニューラルネットワークが低周波関数に対して$textitspectral bias$を示しており、トレーニング中に低周波成分のより高速な学習をもたらすことが示されている。このような研究に触発されて、我々はPNNのTangent Kernel(NTK)のスペクトル分析を行う。我々は、最近提案されたPNNのパラメトリゼーションである$Pi$-Netファミリがスピードアップすることを発見した。
論文参考訳（メタデータ） (2022-02-27T23:12:43Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Deep learning insights into cosmological structure formation [1.6351557933652356]
我々は,暗黒物質ハロの最終質量の確立において,初期条件における異方性情報の役割を研究するためのディープラーニングフレームワークを構築した。異方性は, 最終ハロ質量に関する密度場の球面平均内に含まれる情報に対して, 統計的に有意な量の情報を与える。
論文参考訳（メタデータ） (2020-11-20T19:00:00Z)
Towards Reflectivity profile inversion through Artificial Neural Networks [0.0]
スペクトル中性子とX線反射率の目標は、実験反射率曲線から長さ密度プロファイルを散乱する材料を推定することである。本稿では,ニューラルネットワークを用いた非可逆問題に対する元来のアプローチについて検討する。
論文参考訳（メタデータ） (2020-10-15T10:09:09Z)
Hierarchical nucleation in deep neural networks [67.85373725288136]
我々は,いくつかの最先端DCNにおいて,隠れた層にまたがるImageNetデータセットの確率密度の進化について検討した。初期層は, 分類に無関係な構造を排除し, 一様確率密度を生成する。その後の層では、密度ピークは階層的な方法で発生し、概念のセマンティック階層を反映する。
論文参考訳（メタデータ） (2020-07-07T14:42:18Z)

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。