論文の概要: Predicting the Radiation Field of Molecular Clouds using Denoising
Diffusion Probabilistic Models
- arxiv url: http://arxiv.org/abs/2309.05811v1
- Date: Mon, 11 Sep 2023 20:28:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 15:23:03.209297
- Title: Predicting the Radiation Field of Molecular Clouds using Denoising
Diffusion Probabilistic Models
- Title(参考訳): 拡散確率モデルを用いた分子雲の放射場予測
- Authors: Duo Xu, Stella Offner, Robert Gutermuth, Michael Grudic, David
Guszejnov, and Philip Hopkins
- Abstract要約: 我々は、恒星間放射場(ISRF)強度を4.5,24,250の3バンドダストエミッションに基づいて予測するために、深層学習技術を採用している。
我々のモデルは、複雑で制約の厳しいISRF環境においても、放射線のフィードバック分布を強く予測する。
- 参考スコア(独自算出の注目度): 2.2215308271891403
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurately quantifying the impact of radiation feedback in star formation is
challenging. To address this complex problem, we employ deep learning
techniques, denoising diffusion probabilistic models (DDPMs), to predict the
interstellar radiation field (ISRF) strength based on three-band dust emission
at 4.5 \um, 24 \um, and 250 \um. We adopt magnetohydrodynamic simulations from
the STARFORGE (STAR FORmation in Gaseous Environments) project that model star
formation and giant molecular cloud (GMC) evolution. We generate synthetic dust
emission maps matching observed spectral energy distributions in the Monoceros
R2 (MonR2) GMC. We train DDPMs to estimate the ISRF using synthetic three-band
dust emission. The dispersion between the predictions and true values is within
a factor of 0.1 for the test set. We extended our assessment of the diffusion
model to include new simulations with varying physical parameters. While there
is a consistent offset observed in these out-of-distribution simulations, the
model effectively constrains the relative intensity to within a factor of 2.
Meanwhile, our analysis reveals weak correlation between the ISRF solely
derived from dust temperature and the actual ISRF. We apply our trained model
to predict the ISRF in MonR2, revealing a correspondence between intense ISRF,
bright sources, and high dust emission, confirming the model's ability to
capture ISRF variations. Our model robustly predicts radiation feedback
distribution, even in complex, poorly constrained ISRF environments like those
influenced by nearby star clusters. However, precise ISRF predictions require
an accurate training dataset mirroring the target molecular cloud's unique
physical conditions.
- Abstract(参考訳): 星形成における放射フィードバックの影響を正確に定量化することは困難である。
このような複雑な問題に対処するため, 拡散確率モデル (DDPM) を記述した深層学習手法を用いて, 4.5 \um, 24 \um, 250 \umの3バンドダストエミッションに基づく恒星間放射場(ISRF)強度を予測する。
我々は、恒星形成と巨大分子雲(GMC)の進化をモデル化するSTARFORGE(STAR Formation in Gaseous Environments)プロジェクトから磁気流体力学シミュレーションを採用する。
我々はモノケロスR2 (MonR2) GMCで観測されたスペクトルエネルギー分布と一致する合成塵の放出マップを生成する。
合成3バンドダストエミッションを用いたISRF推定のためにDDPMを訓練する。
予測値と真の値の間の分散は、テスト集合の0.1倍以内である。
拡散モデルの評価を,物理パラメータの異なる新しいシミュレーションを含むように拡張した。
これらのアウト・オブ・ディストリビューション・シミュレーションでは一貫したオフセットが観測されているが、モデルは相対強度を2。
一方, ダスト温度のみに由来するISRFと実際のISRFとの間には弱い相関関係が認められた。
我々は、トレーニングされたモデルをMonR2のISRF予測に適用し、強いISRF、明るい光源、高塵の放出の対応を明らかにし、ISRFの変動を捉える能力を確認する。
我々のモデルは、近隣の星団に影響されたような、複雑で制約の弱いISRF環境においても、放射線のフィードバック分布を強く予測する。
しかし、正確なISRF予測では、ターゲット分子雲の特異な物理的条件を反映した正確なトレーニングデータセットが必要である。
関連論文リスト
- SMRD: SURE-based Robust MRI Reconstruction with Diffusion Models [76.43625653814911]
拡散モデルは、高い試料品質のため、MRIの再生を加速するために人気を博している。
推論時に柔軟にフォワードモデルを組み込んだまま、効果的にリッチなデータプリエントとして機能することができる。
拡散モデル(SMRD)を用いたSUREに基づくMRI再構成を導入し,テスト時の堅牢性を向上する。
論文 参考訳(メタデータ) (2023-10-03T05:05:35Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Improving and generalizing flow-based generative models with minibatch
optimal transport [90.01613198337833]
連続正規化フロー(CNF)のための一般条件流整合(CFM)技術を導入する。
CFMは、拡散モデルのフローをトレーニングするために使用されるような安定した回帰目標を特徴としているが、決定論的フローモデルの効率的な推論を好んでいる。
我々の目的の変種は最適輸送CFM (OT-CFM) であり、訓練がより安定し、より高速な推論をもたらすより単純なフローを生成する。
論文 参考訳(メタデータ) (2023-02-01T14:47:17Z) - Unifying Diffusion Models' Latent Space, with Applications to
CycleDiffusion and Guidance [95.12230117950232]
関係領域で独立に訓練された2つの拡散モデルから共通潜時空間が現れることを示す。
テキスト・画像拡散モデルにCycleDiffusionを適用することで、大規模なテキスト・画像拡散モデルがゼロショット画像・画像拡散エディタとして使用できることを示す。
論文 参考訳(メタデータ) (2022-10-11T15:53:52Z) - Reduced-order modeling for parameterized large-eddy simulations of
atmospheric pollutant dispersion [0.0]
大渦シミュレーション(LES)は、汚染物質濃度の空間的変動を正確に表現する可能性がある。
LESは、様々な大気および源のパラメータで気流とトレーサの分散がどのように変化するかを理解するために、展開するのに不当にコストがかかる。
本稿では, 適切な分解(POD)とガウス過程回帰(GPR)を組み合わせた非侵入的還元次数モデルを提案し, トレーサー濃度に関連する利害関係のLES場統計を予測した。
論文 参考訳(メタデータ) (2022-08-02T15:06:22Z) - Inference over radiative transfer models using variational and
expectation maximization methods [9.73020420215473]
本稿では,生物物理パラメータの点推定だけでなく,その共同分布を推定するための2つの計算手法を提案する。
そのうちの1つは変分オートエンコーダアプローチに基づいており、もう1つはモンテカルロ予想最大化スキームに基づいている。
本研究では,地球生物圏の定量化のための3つの重要な生体物理パラメータの分布をモデル化し,推定するための2つの手法の性能解析を行った。
論文 参考訳(メタデータ) (2022-04-07T10:33:51Z) - Conditional-Flow NeRF: Accurate 3D Modelling with Reliable Uncertainty
Quantification [44.598503284186336]
Conditional-Flow NeRF (CF-NeRF) は、不確実な定量化をNeRFベースのアプローチに組み込む新しい確率的フレームワークである。
CF-NeRFは、モデル化されたシーンに関連する不確実性を定量化するために使用される全ての可能な放射場モデリング上の分布を学習する。
論文 参考訳(メタデータ) (2022-03-18T23:26:20Z) - Flexible Amortized Variational Inference in qBOLD MRI [56.4324135502282]
データから酸素抽出率(OEF)と脱酸素血液量(DBV)をより明瞭に決定する。
既存の推論手法では、DBVを過大評価しながら非常にノイズの多い、過小評価されたEFマップが得られる傾向にある。
本研究は, OEFとDBVの可算分布を推定できる確率論的機械学習手法について述べる。
論文 参考訳(メタデータ) (2022-03-11T10:47:16Z) - Learning the structure of wind: A data-driven nonlocal turbulence model
for the atmospheric boundary layer [0.0]
我々は,大気境界層をモデル化するための新しいデータ駆動手法を開発した。
このアプローチは、非局所的、異方性合成乱流モデルに導かれ、我々は、ディープ・ラピッド・ラピッド・歪み(DRD)モデルと呼ぶ。
論文 参考訳(メタデータ) (2021-07-23T06:41:33Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Global Earth Magnetic Field Modeling and Forecasting with Spherical
Harmonics Decomposition [19.755689078176772]
球高調波空間2で予測する深層学習モデルを構築し,MHDモデルへの依存を代替する。
我々はSuperMAGデータセット(14.53%改善)とMHDシミュレーション(24.35%改善)の性能評価を行った。
論文 参考訳(メタデータ) (2021-02-02T11:47:07Z)
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。