論文の概要: Cosmological Field Emulation and Parameter Inference with Diffusion Models

• arxiv url: http://arxiv.org/abs/2312.07534v1
• Date: Tue, 12 Dec 2023 18:58:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 14:39:14.600251
• Title: Cosmological Field Emulation and Parameter Inference with Diffusion Models
• Title（参考訳）: 拡散モデルによる宇宙場のエミュレーションとパラメータ推定
• Authors: Nayantara Mudur, Carolina Cuesta-Lazaro and Douglas P. Finkbeiner
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.3020018305241337
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cosmological simulations play a crucial role in elucidating the effect of physical parameters on the statistics of fields and on constraining parameters given information on density fields. We leverage diffusion generative models to address two tasks of importance to cosmology -- as an emulator for cold dark matter density fields conditional on input cosmological parameters $\Omega_m$ and $\sigma_8$, and as a parameter inference model that can return constraints on the cosmological parameters of an input field. We show that the model is able to generate fields with power spectra that are consistent with those of the simulated target distribution, and capture the subtle effect of each parameter on modulations in the power spectrum. We additionally explore their utility as parameter inference models and find that we can obtain tight constraints on cosmological parameters.
• Abstract（参考訳）: 宇宙シミュレーションは、密度場に関する情報が与えられたフィールドの統計や制約パラメータに与える影響を解明する上で重要な役割を果たす。 我々は拡散生成モデルを利用して宇宙論に重要な2つのタスク -- 入力宇宙論パラメータ$\omega_m$と$\sigma_8$の条件付き冷暗黒物質密度場のエミュレータとして、そして入力フィールドの宇宙論パラメータの制約を返すパラメータ推論モデルとして。 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し,パワースペクトルの変調に対する各パラメータの微妙な効果を捉えることができることを示す。 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。

関連論文リスト

• SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
  我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。 SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。 画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
  論文  参考訳（メタデータ） (2024-08-19T17:32:15Z)
• Diffusion-HMC: Parameter Inference with Diffusion Model driven Hamiltonian Monte Carlo [2.048226951354646]
  この研究は、単一拡散生成モデルを用いて、観測された天体物理学分野の予測を理論から生成し、これらの予測を用いた観測から物理的モデルを制約する、相互に繋がった目的に対処する。 拡散生成モデルの近似的近似性を利用して、ハミルトニアンモンテカルロ法を用いて、与えられたテスト画像の宇宙論的パラメータの後方をサンプリングすることで、宇宙論の厳密な制約を導出する。
  論文  参考訳（メタデータ） (2024-05-08T17:59:03Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• A representation learning approach to probe for dynamical dark energy in matter power spectra [0.0]
  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。
  論文  参考訳（メタデータ） (2023-10-16T18:00:01Z)
• Learning minimal representations of stochastic processes with variational autoencoders [52.99137594502433]
  プロセスを記述するのに必要なパラメータの最小セットを決定するために、教師なしの機械学習アプローチを導入する。 我々の手法はプロセスを記述する未知のパラメータの自律的な発見を可能にする。
  論文  参考訳（メタデータ） (2023-07-21T14:25:06Z)
• Conditional Korhunen-Lo\'{e}ve regression model with Basis Adaptation for high-dimensional problems: uncertainty quantification and inverse modeling [62.997667081978825]
  本稿では,物理系の観測可能な応答のサロゲートモデルの精度を向上させる手法を提案する。 本研究では,定常水理応答のBasis Adaptation (BA)法による代理モデル構築に提案手法を適用した。
  論文  参考訳（メタデータ） (2023-07-05T18:14:38Z)
• Counting Phases and Faces Using Bayesian Thermodynamic Integration [77.34726150561087]
  本稿では,2パラメータ統計力学系における熱力学関数と位相境界の再構成手法を提案する。 提案手法を用いて,IsingモデルとTASEPの分割関数と位相図を正確に再構成する。
  論文  参考訳（メタデータ） (2022-05-18T17:11:23Z)
• 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)
• On the Parameter Combinations That Matter and on Those That do Not [0.0]
  モデルパラメータの非識別性を特徴付けるためのデータ駆動型手法を提案する。 Diffusion Mapsとその拡張を利用することで、動的出力の振る舞いを特徴づけるために必要なパラメータの最小の組み合わせを発見する。
  論文  参考訳（メタデータ） (2021-10-13T13:46:23Z)
• Learning to discover: expressive Gaussian mixture models for multi-dimensional simulation and parameter inference in the physical sciences [0.0]
  複数の観測可能量を記述する密度モデルは, 自己回帰型ガウス混合モデルを用いて生成できることを示す。 このモデルは、観測可能なスペクトルが仮説の変化によってどのように変形するかを捉えるように設計されている。 実験観測の解釈における科学的発見の統計モデルとして用いられることもある。
  論文  参考訳（メタデータ） (2021-08-25T21:27:29Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)

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。