論文の概要: Parameterizing pressure-temperature profiles of exoplanet atmospheres with neural networks

• arxiv url: http://arxiv.org/abs/2309.03075v1
• Date: Wed, 6 Sep 2023 15:22:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 14:56:18.848823
• Title: Parameterizing pressure-temperature profiles of exoplanet atmospheres with neural networks
• Title（参考訳）: ニューラルネットワークを用いた外惑星大気の圧力-温度分布のパラメータ化
• Authors: Timothy D. Gebhard and Daniel Angerhausen and Bj\"orn S. Konrad and Eleonora Alei and Sascha P. Quanz and Bernhard Sch\"olkopf
• Abstract要約: 太陽系外惑星の大気圏探査(AR)は通常、ベイズ推定法と前方シミュレータの組み合わせに依存している。 スペクトルをシミュレートする重要な要素は、大気の熱構造を記述する圧力温度(PT)プロファイルである。 本研究では,物理的に一貫したPTプロファイルに対して,概念的に新しいデータ駆動パラメータ化手法を提案する。
• 参考スコア（独自算出の注目度）: 9.561768995755418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atmospheric retrievals (AR) of exoplanets typically rely on a combination of a Bayesian inference technique and a forward simulator to estimate atmospheric properties from an observed spectrum. A key component in simulating spectra is the pressure-temperature (PT) profile, which describes the thermal structure of the atmosphere. Current AR pipelines commonly use ad hoc fitting functions here that limit the retrieved PT profiles to simple approximations, but still use a relatively large number of parameters. In this work, we introduce a conceptually new, data-driven parameterization scheme for physically consistent PT profiles that does not require explicit assumptions about the functional form of the PT profiles and uses fewer parameters than existing methods. Our approach consists of a latent variable model (based on a neural network) that learns a distribution over functions (PT profiles). Each profile is represented by a low-dimensional vector that can be used to condition a decoder network that maps $P$ to $T$. When training and evaluating our method on two publicly available datasets of self-consistent PT profiles, we find that our method achieves, on average, better fit quality than existing baseline methods, despite using fewer parameters. In an AR based on existing literature, our model (using two parameters) produces a tighter, more accurate posterior for the PT profile than the five-parameter polynomial baseline, while also speeding up the retrieval by more than a factor of three. By providing parametric access to physically consistent PT profiles, and by reducing the number of parameters required to describe a PT profile (thereby reducing computational cost or freeing resources for additional parameters of interest), our method can help improve AR and thus our understanding of exoplanet atmospheres and their habitability.
• Abstract（参考訳）: 太陽系外惑星の大気探査(AR)は通常、観測スペクトルから大気特性を推定するためにベイズ推定法とフォワードシミュレータの組み合わせに依存している。 スペクトルをシミュレートする重要な要素は、大気の熱構造を記述する圧力温度(pt)プロファイルである。 現在のARパイプラインでは、取得したPTプロファイルを単純な近似に制限するアドホックフィッティング関数が一般的だが、それでも比較的多くのパラメータを使用する。 そこで本研究では,ptプロファイルの機能形式に関する明示的な仮定を必要とせず,既存の手法よりもパラメータの少ない,物理的に一貫性のあるptプロファイルに対して,概念的に新しいデータ駆動型パラメータ化スキームを導入する。 我々のアプローチは、関数(ptプロファイル)上の分布を学習する潜在変数モデル(ニューラルネットワークに基づく)から成り立っている。 各プロファイルは低次元ベクトルで表現され、$P$から$T$にマップするデコーダネットワークを条件にすることができる。 自己整合性PTプロファイルの2つの公開データセット上で,本手法をトレーニングし,評価すると,パラメータが少ないにもかかわらず,従来のベースライン手法よりも平均して品質がよいことがわかった。 既存の文献に基づくARでは、我々のモデル(2つのパラメータを使用する)は5パラメータ多項式ベースラインよりもPTプロファイルのより厳密で正確な後部を生成すると同時に、検索を3倍以上に高速化する。 物理的に一貫したPTプロファイルへのパラメトリックアクセスを提供し、PTプロファイルを記述するのに必要なパラメータの数を減らし(計算コストを削減したり、興味のある追加パラメータのリソースを解放することで)、我々の手法はARの改善に役立ち、太陽系外惑星の大気とその居住性を理解するのに役立つ。

関連論文リスト

• Pre-training Everywhere: Parameter-Efficient Fine-Tuning for Medical Image Analysis via Target Parameter Pre-training [17.433808197776003]
  ターゲット事前学習(TPP)に基づく簡易かつ効果的な微調整フレームワークを提案する。 TPPはPEFTの前にこれらのターゲットパラメータを事前訓練するための追加段階を含む。 TPPは既存のPEFT手法に容易に統合でき、性能が大幅に向上する。
  論文  参考訳（メタデータ） (2024-08-27T12:48:46Z)
• ETHER: Efficient Finetuning of Large-Scale Models with Hyperplane Reflections [59.839926875976225]
  本稿では,HypErplane Reflectionsによる高効率微調整を行うETHER変換ファミリを提案する。 特に,既存のPEFT法と極めて少ないパラメータで一致または性能を向上するEtheRと緩和ETHER+を導入する。
  論文  参考訳（メタデータ） (2024-05-30T17:26:02Z)
• Should We Learn Most Likely Functions or Parameters? [51.133793272222874]
  モデルとデータによって示唆される最も可能性の高い関数を直接推定する利点と欠点について検討する。 関数空間MAP推定は, より平坦な最小化, 一般化, オーバーフィッティングの改善につながる可能性がある。
  論文  参考訳（メタデータ） (2023-11-27T16:39:55Z)
• Parameter-Efficient Fine-Tuning without Introducing New Latency [7.631596468553607]
  隠れ表現の代わりに事前学習パラメータに直接アダプタを適用する新しいアダプタ技術を導入する。 提案手法は,性能と記憶効率の両面で新たな最先端性を実現し,完全微調整のパラメータは0.03%に過ぎなかった。
  論文  参考訳（メタデータ） (2023-05-26T08:44:42Z)
• Sensitivity-Aware Visual Parameter-Efficient Fine-Tuning [91.5113227694443]
  私たちは新しいビジュアルを提案します。 Sensuous-Aware Fine-Tuning (SPT) スキーム。 SPTはタスク固有の重要な位置にトレーニング可能なパラメータを割り当てる。 ダウンストリーム認識タスクの幅広い実験により,SPTは既存のPEFT法と相補的であることが示された。
  論文  参考訳（メタデータ） (2023-03-15T12:34:24Z)
• Scaling & Shifting Your Features: A New Baseline for Efficient Model Tuning [126.84770886628833]
  既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。 そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
  論文  参考訳（メタデータ） (2022-10-17T08:14:49Z)
• Fine-grained Retrieval Prompt Tuning [149.9071858259279]
  微粒な検索プロンプトチューニングは, サンプルプロンプトと特徴適応の観点から, きめの細かい検索タスクを実行するために, 凍結した事前学習モデルを操る。 学習可能なパラメータが少ないFRPTは、広く使われている3つの細粒度データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-07-29T04:10:04Z)
• Spectral Tensor Train Parameterization of Deep Learning Layers [136.4761580842396]
  重み行列の低ランクパラメータ化をDeep Learningコンテキストに埋め込まれたスペクトル特性を用いて検討する。 分類設定におけるニューラルネットワーク圧縮の効果と,生成的対角トレーニング設定における圧縮および安定性トレーニングの改善について述べる。
  論文  参考訳（メタデータ） (2021-03-07T00:15:44Z)
• Online Parameter Estimation for Safety-Critical Systems with Gaussian Processes [6.122161391301866]
  オンラインパラメータ推定のためのガウス過程(GP)に基づくベイズ最適化フレームワークを提案する。 パラメータ空間の応答面上の効率的な探索戦略を用いて、最小限の機能評価で大域最適解を求める。 我々は,パラメータの変化を考慮したシミュレーションにおいて,アクティベートされた平面振子と安全臨界振子について実演する。
  論文  参考訳（メタデータ） (2020-02-18T20:38:00Z)

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。