論文の概要: CosmoPower-JAX: high-dimensional Bayesian inference with differentiable
cosmological emulators
- arxiv url: http://arxiv.org/abs/2305.06347v1
- Date: Wed, 10 May 2023 17:54:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-11 11:55:47.226481
- Title: CosmoPower-JAX: high-dimensional Bayesian inference with differentiable
cosmological emulators
- Title(参考訳): CosmoPower-JAX:微分可能な宇宙エミュレータを用いた高次元ベイズ推定
- Authors: D. Piras and A. Spurio Mancini
- Abstract要約: 宇宙論推論を加速するCosmoPowerフレームワークのJAXベースの実装であるCosmoPower-JAXを提案する。
本稿では、JAXの自動微分、バッチ評価、ジャスト・イン・タイムコンパイル機能を用いて、パラメータ推定を桁違いに高速化する方法を示す。
標準手法で要求される6年間とは対照的に,CosmoPower-JAXが3日間で収束した後輪郭をいかに提供するかを示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present CosmoPower-JAX, a JAX-based implementation of the CosmoPower
framework, which accelerates cosmological inference by building neural
emulators of cosmological power spectra. We show how, using the automatic
differentiation, batch evaluation and just-in-time compilation features of JAX,
and running the inference pipeline on graphics processing units (GPUs),
parameter estimation can be accelerated by orders of magnitude with advanced
gradient-based sampling techniques. These can be used to efficiently explore
high-dimensional parameter spaces, such as those needed for the analysis of
next-generation cosmological surveys. We showcase the accuracy and
computational efficiency of CosmoPower-JAX on two simulated Stage IV
configurations. We first consider a single survey performing a cosmic shear
analysis totalling 37 model parameters. We validate the contours derived with
CosmoPower-JAX and a Hamiltonian Monte Carlo sampler against those derived with
a nested sampler and without emulators, obtaining a speed-up factor of
$\mathcal{O}(10^3)$. We then consider a combination of three Stage IV surveys,
each performing a joint cosmic shear and galaxy clustering (3x2pt) analysis,
for a total of 157 model parameters. Even with such a high-dimensional
parameter space, CosmoPower-JAX provides converged posterior contours in 3
days, as opposed to the estimated 6 years required by standard methods.
CosmoPower-JAX is fully written in Python, and we make it publicly available to
help the cosmological community meet the accuracy requirements set by
next-generation surveys.
- Abstract(参考訳): 宇宙パワースペクトルのニューラルエミュレータを構築することで、宇宙論的推論を加速する、JAXベースのCosmoPower-JAXを提案する。
本稿では,jaxの自動微分,バッチ評価,ジャスト・イン・タイムコンパイル機能を用い,gpu(graphics processing unit)上で推論パイプラインを実行することで,高度勾配に基づくサンプリング手法を用いてパラメータ推定を桁違いに高速化できることを示す。
これらは次世代の宇宙探査の分析に必要とされるような高次元のパラメータ空間を効率的に探索するのに使うことができる。
シミュレーションステージIVにおけるCosmoPower-JAXの精度と計算効率について述べる。
まず,37のモデルパラメータを包含する宇宙せん断解析を行う1つの調査について考察した。
また,CosmoPower-JAXとハミルトニアンのモンテカルロ試料から得られた輪郭を,ネストしたスライダとエミュレータを使わずに評価し,速度向上係数を$\mathcal{O}(10^3)$とした。
次に、3つのステージivの観測結果を組み合わせて、合計157のモデルパラメータを用いて、それぞれが宇宙せん断と銀河クラスタリング(3x2pt)の合同分析を行う。
このような高次元のパラメータ空間であっても、CosmoPower-JAXは標準法で求められる6年間とは対照的に、収束した後部輪郭を3日間で提供する。
cosmopower-jaxはpythonで完全に書かれており、次世代のサーベイで設定された精度要件を宇宙社会が満たすのに役立つように公開しています。
関連論文リスト
- LtU-ILI: An All-in-One Framework for Implicit Inference in Astrophysics
and Cosmology [1.5321000844568695]
本稿では,LtU-ILIパイプライン(Learning the Universe Implicit Likelihood Inference:LtU-ILI)を提案する。
これは天体物理学と宇宙論における最先端の機械学習(ML)推論である。
天体物理学や宇宙論の諸問題にまたがる実応用を提示する。
論文 参考訳(メタデータ) (2024-02-06T19:00:00Z) - GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis [70.24111297192057]
我々は、文字の新たなビューをリアルタイムに合成するための新しいアプローチ、GPS-Gaussianを提案する。
提案手法は,スパースビューカメラ設定下での2K解像度のレンダリングを可能にする。
論文 参考訳(メタデータ) (2023-12-04T18:59:55Z) - A point cloud approach to generative modeling for galaxy surveys at the
field level [0.5099081649205313]
宇宙における銀河の分布を記述するために拡散に基づく生成モデルを導入する。
クイジョートシミュレーションスイートにおける暗黒物質ハローの最初の応用例を示す。
このアプローチは、宇宙データの包括的な分析を可能にするために拡張することができる。
論文 参考訳(メタデータ) (2023-11-28T19:00:00Z) - A Hierarchical Spatial Transformer for Massive Point Samples in
Continuous Space [11.074768589778934]
既存のトランスは、主にシーケンス(テキストや時系列)、画像やビデオ、グラフのために設計されている。
本稿では,連続空間における大規模(最大100万点)点サンプルに対する新しい変圧器モデルを提案する。
論文 参考訳(メタデータ) (2023-11-08T02:54:19Z) - ArchGym: An Open-Source Gymnasium for Machine Learning Assisted
Architecture Design [52.57999109204569]
ArchGymは、さまざまな検索アルゴリズムをアーキテクチャシミュレータに接続するオープンソースのフレームワークである。
我々は、カスタムメモリコントローラ、ディープニューラルネットワークアクセラレータ、AR/VRワークロード用のカスタムSOCを設計する際に、複数のバニラおよびドメイン固有の検索アルゴリズムにわたってArchGymを評価する。
論文 参考訳(メタデータ) (2023-06-15T06:41:23Z) - Maximize to Explore: One Objective Function Fusing Estimation, Planning,
and Exploration [87.53543137162488]
我々はtextttMEX というオンライン強化学習(オンラインRL)フレームワークを提案する。
textttMEXは、自動的に探索エクスプロイトのバランスをとりながら、見積もりと計画コンポーネントを統合する。
様々な MuJoCo 環境では,ベースラインを安定的なマージンで上回り,十分な報酬を得られる。
論文 参考訳(メタデータ) (2023-05-29T17:25:26Z) - 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) - Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。
我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。
我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
論文 参考訳(メタデータ) (2022-11-22T15:35:05Z) - 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) - BayesSimIG: Scalable Parameter Inference for Adaptive Domain
Randomization with IsaacGym [59.53949960353792]
BayesSimIGは、最近リリースされたNVIDIA IsaacGymと統合されたBayesSimの実装を提供するライブラリである。
BayesSimIGはNVIDIABoardと統合して、高次元の後方のスライスを簡単に視覚化する。
論文 参考訳(メタデータ) (2021-07-09T16:21:31Z) - Emulation of cosmological mass maps with conditional generative
adversarial networks [0.0]
本稿では, 物質密度$Omega_m$と物質クラスタリング強度$sigma_8$に対して, 質量マップを生成可能な新しい条件付きGANモデルを提案する。
以上の結果から,我々の条件付きGANはシミュレーション宇宙論の空間内で効率的に補間できることが示唆された。
この貢献は、質量マップのエミュレータを直接構築するためのステップであり、宇宙的信号とその可変性の両方をキャプチャする。
論文 参考訳(メタデータ) (2020-04-17T09:34:34Z)
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。