論文の概要: SimBIG: Field-level Simulation-Based Inference of Galaxy Clustering
- arxiv url: http://arxiv.org/abs/2310.15256v1
- Date: Mon, 23 Oct 2023 18:05:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 22:23:11.130091
- Title: SimBIG: Field-level Simulation-Based Inference of Galaxy Clustering
- Title（参考訳）: SimBIG:Galaxy Clusteringのフィールドレベルシミュレーションに基づく推論
- Authors: Pablo Lemos, Liam Parker, ChangHoon Hahn, Shirley Ho, Michael
Eickenberg, Jiamin Hou, Elena Massara, Chirag Modi, Azadeh Moradinezhad
Dizgah, Bruno Regaldo-Saint Blancard, David Spergel
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.3988372195566443
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: We present the first simulation-based inference (SBI) of cosmological
parameters from field-level analysis of galaxy clustering. Standard galaxy
clustering analyses rely on analyzing summary statistics, such as the power
spectrum, $P_\ell$, with analytic models based on perturbation theory.
Consequently, they do not fully exploit the non-linear and non-Gaussian
features of the galaxy distribution. To address these limitations, we use the
{\sc SimBIG} forward modelling framework to perform SBI using normalizing
flows. We apply SimBIG to a subset of the BOSS CMASS galaxy sample using a
convolutional neural network with stochastic weight averaging to perform
massive data compression of the galaxy field. We infer constraints on $\Omega_m
= 0.267^{+0.033}_{-0.029}$ and $\sigma_8=0.762^{+0.036}_{-0.035}$. While our
constraints on $\Omega_m$ are in-line with standard $P_\ell$ analyses, those on
$\sigma_8$ are $2.65\times$ tighter. Our analysis also provides constraints on
the Hubble constant $H_0=64.5 \pm 3.8 \ {\rm km / s / Mpc}$ from galaxy
clustering alone. This higher constraining power comes from additional
non-Gaussian cosmological information, inaccessible with $P_\ell$. We
demonstrate the robustness of our analysis by showcasing our ability to infer
unbiased cosmological constraints from a series of test simulations that are
constructed using different forward models than the one used in our training
dataset. This work not only presents competitive cosmological constraints but
also introduces novel methods for leveraging additional cosmological
information in upcoming galaxy surveys like DESI, PFS, and Euclid.
- Abstract（参考訳）: 本稿では,銀河クラスタリングのフィールドレベル解析による宇宙パラメータのシミュレーションベース推論(sbi)について述べる。
標準銀河クラスタリング分析は、摂動理論に基づく解析モデルを用いて、パワースペクトルである$P_\ell$などの要約統計分析に依存する。
したがって、それらは銀河分布の非線形および非ガウス的特徴を完全には活用しない。
これらの制限に対処するために、我々は {\sc SimBIG}フォワードモデリングフレームワークを使用して正規化フローを使用してSBIを実行する。
我々は,BOSS CMASS銀河サンプルのサブセットにSimBIGを適用し,確率的重み付けを平均とした畳み込みニューラルネットワークを用いて,銀河場の大規模データ圧縮を行う。
我々は、$\Omega_m = 0.267^{+0.033}_{-0.029}$と$\sigma_8=0.762^{+0.036}_{-0.035}$の制約を推論する。
Omega_m$の制約は標準の$P_\ell$分析と並んでいるが、$\sigma_8$の制約は$2.65\times$ tightである。
解析はまた、銀河のクラスタリングだけでハッブル定数 $h_0=64.5 \pm 3.8 \ {\rm km / s / mpc}$ の制約を与える。
この高い制約パワーは、非ガウス宇宙情報($P_\ell$)から得られる。
我々は、トレーニングデータセットで使用されるものと異なるフォワードモデルを用いて構築された一連のテストシミュレーションから、偏りのない宇宙論的制約を推測する能力を示すことにより、解析の堅牢性を示す。
この研究は、競争的な宇宙論的制約だけでなく、desi、pfs、euclidのような今後の銀河調査で追加の宇宙学的情報を活用する新しい方法も導入している。
関連論文リスト
- Learning Galaxy Intrinsic Alignment Correlations [16.805775045014578]
銀河の内在的なアライメント(IA)は、重力潮流相互作用と銀河形成過程による銀河の形状の相関を表す。
本研究では,銀河の位置,位置配向,方向配向相関関数の測定と不確かさをエミュレートする深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-04-21T16:16:56Z) - 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) - The SZ flux-mass ($Y$-$M$) relation at low halo masses: improvements
with symbolic regression and strong constraints on baryonic feedback [2.436653298863297]
AGNと超新星のフィードバックは、CMBサーベイによるハロのSZフラックスの総合的な測定に影響を与える可能性がある。
低質量のフィードバックプロセスに対してより堅牢な$Y-M$関係の類似を探索する。
この結果は,今後のSZ調査を用いて,バリオニクスフィードバックの性質を制約する上で有用である。
論文 参考訳（メタデータ） (2022-09-05T18:00:00Z) - Learning cosmology and clustering with cosmic graphs [0.0]
我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから数千の銀河カタログのディープラーニングモデルを訓練する。
まず、GNNが数パーセントの精度で銀河カタログのパワースペクトルを計算することができることを示す。
次に、GNNをトレーニングし、銀河場レベルで可能性のない推論を行う。
論文 参考訳（メタデータ） (2022-04-28T18:00:02Z) - DeepLSS: breaking parameter degeneracies in large scale structure with
deep learning analysis of combined probes [0.0]
我々は、弱い重力レンズと銀河クラスタリングを組み合わせた深層学習分析により、これらの退化を効果的に破壊できることを示した。
これらの退化によって、$sigma_8$と$Omega_m$の制約パワーが大幅に向上し、メリットの数値が15倍になった。
これらの結果は、機械学習による宇宙論的推論に対する、完全に数値的な地図に基づく前方モデリングアプローチが、今後のLSS調査において重要な役割を果たすことを示唆している。
論文 参考訳（メタデータ） (2022-03-17T21:08:31Z) - 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) - Topological Echoes of Primordial Physics in the Universe at Large Scales [0.0]
暗黒物質のハロゲンのシミュレーションのために持続性図と導出統計を計算する。
私たちのパイプラインは完全なシミュレーションのサブボックスで永続性を計算し、シミュレーションは一様ハロ数にサブサンプルされます。
論文 参考訳（メタデータ） (2020-12-07T12:08:55Z) - Model-Based Multi-Agent RL in Zero-Sum Markov Games with Near-Optimal
Sample Complexity [67.02490430380415]
モデルに基づくMARLは、Nash平衡値(NE)を求めるために$tilde O(|S||B|(gamma)-3epsilon-2)$のサンプル複雑性を実現する。
また、アルゴリズムが報酬に依存しない場合、そのようなサンプル境界は最小値(対数因子まで)であり、アルゴリズムは報酬知識のない遷移サンプルを問合せする。
論文 参考訳（メタデータ） (2020-07-15T03:25:24Z) - 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) - Computationally efficient sparse clustering [67.95910835079825]
我々はPCAに基づく新しいクラスタリングアルゴリズムの有限サンプル解析を行う。
ここでは,ミニマックス最適誤クラスタ化率を,体制$|theta infty$で達成することを示す。
論文 参考訳（メタデータ） (2020-05-21T17:51:30Z) - 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。