論文の概要: Bayesian deep learning for cosmic volumes with modified gravity
- arxiv url: http://arxiv.org/abs/2309.00612v2
- Date: Mon, 12 Feb 2024 17:15:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-13 22:29:33.917825
- Title: Bayesian deep learning for cosmic volumes with modified gravity
- Title（参考訳）: 修正重力による宇宙体積のベイズ深度学習
- Authors: Jorge Enrique Garc\'ia-Farieta, H\'ector J Hort\'ua and Francisco-Shu
Kitaura
- Abstract要約: 本研究では,不確実性推定による深層ニューラルネットワークを用いて,修正重力(MG)シミュレーションから宇宙パラメータを抽出することを目的とした。
実空間密度場とパワースペクトルの両BNNを2000ダークマターのみの粒子メッシュのスイートから訓練する。
BNNは$Omega_m$と$sigma_8$のパラメータとMGパラメータとの相関を正確に予測する。
- 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: The new generation of galaxy surveys will provide unprecedented data allowing
us to test gravity at cosmological scales. A robust cosmological analysis of
the large-scale structure demands exploiting the nonlinear information encoded
in the cosmic web. Machine Learning techniques provide such tools, however, do
not provide a priori assessment of uncertainties. This study aims at extracting
cosmological parameters from modified gravity (MG) simulations through deep
neural networks endowed with uncertainty estimations. We implement Bayesian
neural networks (BNNs) with an enriched approximate posterior distribution
considering two cases: one with a single Bayesian last layer (BLL), and another
one with Bayesian layers at all levels (FullB). We train both BNNs with
real-space density fields and power-spectra from a suite of 2000 dark matter
only particle mesh $N$-body simulations including modified gravity models
relying on MG-PICOLA covering 256 $h^{-1}$ Mpc side cubical volumes with
128$^3$ particles. BNNs excel in accurately predicting parameters for
$\Omega_m$ and $\sigma_8$ and their respective correlation with the MG
parameter. We find out that BNNs yield well-calibrated uncertainty estimates
overcoming the over- and under-estimation issues in traditional neural
networks. We observe that the presence of MG parameter leads to a significant
degeneracy with $\sigma_8$ being one of the possible explanations of the poor
MG predictions. Ignoring MG, we obtain a deviation of the relative errors in
$\Omega_m$ and $\sigma_8$ by at least $30\%$. Moreover, we report consistent
results from the density field and power spectra analysis, and comparable
results between BLL and FullB experiments which permits us to save computing
time by a factor of two. This work contributes in setting the path to extract
cosmological parameters from complete small cosmic volumes towards the highly
nonlinear regime.
- Abstract（参考訳）: 新しい世代の銀河サーベイは、宇宙スケールで重力をテストできる前例のないデータを提供します。
大規模構造のロバストな宇宙論的解析は、宇宙のウェブにエンコードされた非線形情報を利用する必要がある。
しかし、機械学習技術はそのようなツールを提供するが、不確実性の事前評価を提供していない。
本研究では,不確実性推定による深層ニューラルネットワークを用いて,修正重力(MG)シミュレーションから宇宙パラメータを抽出することを目的とした。
1つのベイズ最後の層(bll)と1つのベイズ層(fullb)の2つのケースを考慮して、ベイズニューラルネットワーク(bnns)を実装した。
128$^3$粒子を持つMpc側立方体体積256$h^{-1}$MpcをカバーするMG-PICOLAに依存する修正重力モデルを含む2000のダークマターのみの粒子メッシュからBNNを実空間密度場とパワースペクトルで訓練する。
BNNは$\Omega_m$と$\sigma_8$のパラメータを正確に予測し、それぞれがMGパラメータと相関する。
我々は、bnnが従来のニューラルネットワークの過大かつ過小評価問題を克服する十分な不確実性推定をもたらすことを見出した。
MGパラメータの存在は, MG予測の貧弱な説明の1つとして$\sigma_8$という大きな縮退をもたらすことが観察された。
MGを無視すると、相対誤差は$\Omega_m$と$\sigma_8$で少なくとも$30\%$にずれる。
さらに,密度場とパワースペクトル解析の結果と,計算時間を2倍に抑えるbll実験とfullb実験の比較結果の一致を報告した。
この研究は、完全な小さな宇宙の体積から非常に非線形な状態への宇宙パラメータを抽出する経路の設定に寄与する。
関連論文リスト
- Neural-g: A Deep Learning Framework for Mixing Density Estimation [16.464806944964003]
混合(または先行)密度推定は、機械学習と統計学において重要な問題である。
本稿では,新しいニューラルネットワークを用いたモデリング手法であるNeural-$g$を提案する。
論文 参考訳（メタデータ） (2024-06-10T03:00:28Z) - E(2) Equivariant Neural Networks for Robust Galaxy Morphology
Classification [0.0]
我々は、Galaxy10 DECalsデータセット上で$E(2)$の離散サブグループに同値なGCNNを訓練し、検証し、テストする。
D_16$に同値なアーキテクチャは、テストセットの精度が9,5.52 pm 0.18%である。
全てのGCNNは、同一に構築されたCNNよりも1ピクセルの摂動の影響を受けにくい。
論文 参考訳（メタデータ） (2023-11-02T18:00:02Z) - SimBIG: Field-level Simulation-Based Inference of Galaxy Clustering [2.3988372195566443]
本稿では、銀河団のフィールドレベル解析から、宇宙パラメータの最初のシミュレーションベース推論(SBI)を提案する。
重み付き畳み込みニューラルネットワークを用いて、BOSS CMASS銀河サンプルのサブセットにSimBIGを適用し、銀河場の大規模データ圧縮を行う。
この研究は、競合する宇宙学の制約を提示するだけでなく、DESI、PSS、ユークリッドのような今後の銀河調査で追加の宇宙学情報を活用する新しい手法も導入している。
論文 参考訳（メタデータ） (2023-10-23T18:05:32Z) - Constraining cosmological parameters from N-body simulations with
Variational Bayesian Neural Networks [0.0]
乗法正規化フロー (MNFs) はBNNのパラメータの近似後流の族である。
我々は,標準BNNとフリップアウト推定器についてMNFの比較を行った。
MNFは、変動近似によって導入されたバイアスを緩和する真の後部へのより現実的な予測分布を提供する。
論文 参考訳（メタデータ） (2023-01-09T16:07:48Z) - Bounding the Width of Neural Networks via Coupled Initialization -- A
Worst Case Analysis [121.9821494461427]
2層ReLUネットワークに必要なニューロン数を著しく削減する方法を示す。
また、事前の作業を改善するための新しい下位境界を証明し、ある仮定の下では、最善を尽くすことができることを証明します。
論文 参考訳（メタデータ） (2022-06-26T06:51:31Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ 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) - Primordial non-Gaussianity from the Completed SDSS-IV extended Baryon
Oscillation Spectroscopic Survey I: Catalogue Preparation and Systematic
Mitigation [3.2855185490071444]
最近完了したバリオン振動分光サーベイ(eBOSS)による最終分光試料の大規模クラスタリングについて検討する。
フォローアップ分光のターゲットを選択するために使用される画像データの品質の空間的変動に起因する密度場の急激なゆらぎを軽減するニューラルネットワークベースのアプローチを開発した。
論文 参考訳（メタデータ） (2021-06-25T16:01:19Z) - Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。
ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。
本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文 参考訳（メタデータ） (2021-06-06T19:08:53Z) - The Generalized Lasso with Nonlinear Observations and Generative Priors [63.541900026673055]
我々は、幅広い測定モデルで満たされるガウス下測度を仮定する。
この結果から, 局所埋込特性を仮定して, 均一回復保証まで拡張できることが示唆された。
論文 参考訳（メタデータ） (2020-06-22T16:43:35Z) - 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。