論文の概要: A representation learning approach to probe for dynamical dark energy in matter power spectra
- arxiv url: http://arxiv.org/abs/2310.10717v2
- Date: Tue, 9 Jul 2024 16:30:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-11 00:21:19.296203
- Title: A representation learning approach to probe for dynamical dark energy in matter power spectra
- Title（参考訳）: 物質パワースペクトルにおける動的暗黒エネルギー探索のための表現学習手法
- Authors: Davide Piras, Lucas Lombriser,
- Abstract要約: 動的暗黒エネルギー(DE)モデルの圧縮表現を探索するための変分オートエンコーダアーキテクチャであるDE-VAEを提案する。
一つの潜伏パラメータは、幅広い宇宙パラメータで生成されるDECスペクトルの95%(99%)を予測するのに十分である。
- 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 present DE-VAE, a variational autoencoder (VAE) architecture to search for a compressed representation of dynamical dark energy (DE) models in observational studies of the cosmic large-scale structure. DE-VAE is trained on matter power spectra boosts generated at wavenumbers $k\in(0.01-2.5) \ h/\rm{Mpc}$ and at four redshift values $z\in(0.1,0.48,0.78,1.5)$ for the most typical dynamical DE parametrization with two extra parameters describing an evolving DE equation of state. The boosts are compressed to a lower-dimensional representation, which is concatenated with standard cold dark matter (CDM) parameters and then mapped back to reconstructed boosts; both the compression and the reconstruction components are parametrized as neural networks. Remarkably, we find that a single latent parameter is sufficient to predict 95% (99%) of DE power spectra generated over a broad range of cosmological parameters within $1\sigma$ ($2\sigma$) of a Gaussian error which includes cosmic variance, shot noise and systematic effects for a Stage IV-like survey. This single parameter shows a high mutual information with the two DE parameters, and these three variables can be linked together with an explicit equation through symbolic regression. Considering a model with two latent variables only marginally improves the accuracy of the predictions, and adding a third latent variable has no significant impact on the model's performance. We discuss how the DE-VAE architecture can be extended from a proof of concept to a general framework to be employed in the search for a common lower-dimensional parametrization of a wide range of beyond-$\Lambda$CDM models and for different cosmological datasets. Such a framework could then both inform the development of cosmological surveys by targeting optimal probes, and provide theoretical insight into the common phenomenological aspects of beyond-$\Lambda$CDM models.
- Abstract（参考訳）: 本稿では、宇宙大規模構造の観測研究において、動的ダークエネルギー(DE)モデルの圧縮表現を探索するための変分オートエンコーダ(VAE)アーキテクチャであるDE-VAEを提案する。
DE-VAEは、波数$k\in(0.01-2.5) \ h/\rm{Mpc}$と4つの赤方偏移値$z\in(0.1,0.48,0.78,1.5)$で生成される物質パワースペクトルブーストに基づいて訓練される。
ブーストは低次元の表現に圧縮され、標準のコールドダークマター(CDM)パラメータと連結され、再構成されたブーストにマッピングされる。
顕著なことに、1つの潜伏パラメータは、宇宙のばらつき、ショットノイズ、ステージIVのような調査のための体系的な効果を含むガウス誤差の1\sigma$(2\sigma$)の範囲内で、幅広い宇宙的パラメータで生成されるDECパワースペクトルの95%(99%)を予測するのに十分である。
この1つのパラメータは2つのDEパラメータと高い相互情報を示し、これらの3つの変数はシンボル回帰を通じて明示的な方程式とリンクすることができる。
2つの潜伏変数を持つモデルを考えると、予測の精度はわずかに改善され、第3の潜伏変数を追加することはモデルの性能に大きな影響を与えない。
本稿では,DE-VAE アーキテクチャを概念実証から一般のフレームワークに拡張して,より広い範囲のモデルと異なる宇宙論的データセットの共通低次元パラメトリゼーションを探索する方法について論じる。
そのようなフレームワークは、最適プローブを標的にすることで宇宙探査の発展を知らせることができ、また、$\Lambda$CDMモデル以上の一般的な現象学的側面に関する理論的洞察を与えることができる。
関連論文リスト
- Latent Space Energy-based Neural ODEs [73.01344439786524]
本稿では,連続時間シーケンスデータを表現するために設計された深部力学モデルの新しいファミリを紹介する。
マルコフ連鎖モンテカルロの最大推定値を用いてモデルを訓練する。
発振システム、ビデオ、実世界の状態シーケンス(MuJoCo)の実験は、学習可能なエネルギーベース以前のODEが既存のものより優れていることを示している。
論文 参考訳（メタデータ） (2024-09-05T18:14:22Z) - Scaling Exponents Across Parameterizations and Optimizers [94.54718325264218]
本稿では,先行研究における重要な仮定を考察し,パラメータ化の新たな視点を提案する。
私たちの経験的調査には、3つの組み合わせでトレーニングされた数万のモデルが含まれています。
最高の学習率のスケーリング基準は、以前の作業の仮定から除外されることがよくあります。
論文 参考訳（メタデータ） (2024-07-08T12:32:51Z) - Cosmological Field Emulation and Parameter Inference with Diffusion
Models [2.3020018305241337]
宇宙論において重要な2つの課題に対処するために拡散生成モデルを利用する。
シミュレーション対象分布と整合したパワースペクトルを持つフィールドを生成できることを示す。
さらに,パラメータ推論モデルとしての有用性を探求し,宇宙論的パラメータの厳密な制約を求める。
論文 参考訳（メタデータ） (2023-12-12T18:58:42Z) - Stochastic parameter optimization analysis of dynamical quantum critical phenomena in long-range transverse-field Ising chain [0.0]
一次元長次元逆場イジングモデルの量子相転移について検討する。
シミュレーションでは, 臨界点と普遍性に関する事前知識がなくても, サンプリング対象のパラメータを自動的に決定する。
後者の2つの普遍性境界として$sigma = 7/4$を支持する数値的な証拠を得ることに成功した。
論文 参考訳（メタデータ） (2023-05-23T14:46:16Z) - Towards Convergence Rates for Parameter Estimation in Gaussian-gated
Mixture of Experts [40.24720443257405]
ガウスゲートMOEモデルにおける最大推定値(MLE)の収束解析を行う。
以上の結果から,MLEはガウスゲーティング関数の位置パラメータの2つの相補的な設定の下で異なる挙動を示すことが明らかとなった。
特に、これらの挙動は2つの異なる方程式系の可解性によって特徴づけられる。
論文 参考訳（メタデータ） (2023-05-12T16:02:19Z) - Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。
本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
論文 参考訳（メタデータ） (2023-01-18T11:29:49Z) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳（メタデータ） (2021-06-01T19:19:49Z) - Quaternion Factorization Machines: A Lightweight Solution to Intricate
Feature Interaction Modelling [76.89779231460193]
factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。
本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
論文 参考訳（メタデータ） (2021-04-05T00:02:36Z) - Bayesian multiscale deep generative model for the solution of
high-dimensional inverse problems [0.0]
深層確率的生成モデルに基づく新しいマルチスケールベイズ推論手法が導入された。
この方法は、安定性、効率、精度を示しながら、高次元パラメータ推定を可能にする。
論文 参考訳（メタデータ） (2021-02-04T11:47:21Z) - On the Sparsity of Neural Machine Translation Models [65.49762428553345]
性能向上のために冗長パラメータを再利用できるかどうかを検討する。
実験と分析は異なるデータセットとNTTアーキテクチャで体系的に行われる。
論文 参考訳（メタデータ） (2020-10-06T11:47:20Z) - Gravitational-wave parameter estimation with autoregressive neural
network flows [0.0]
深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。
正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。
可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
論文 参考訳（メタデータ） (2020-02-18T15:44:04Z)
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。