論文の概要: Isolated pulsar population synthesis with simulation-based inference
- arxiv url: http://arxiv.org/abs/2312.14848v3
- Date: Wed, 5 Jun 2024 14:34:42 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-07 03:45:21.317916
- Title: Isolated pulsar population synthesis with simulation-based inference
- Title（参考訳）: シミュレーションに基づく推論によるパルサー集団の分離合成
- Authors: Vanessa Graber, Michele Ronchi, Celsa Pardo-Araujo, Nanda Rea,
- Abstract要約: 中性子星誕生特性とその動的・磁気進化をモデル化する枠組みを開発する。
次に、神経後部推定に焦点を当てたSBIアプローチに従い、パラメータの後部分布を推定するために深部ニューラルネットワークを訓練する。
我々のアプローチは、複雑な集団合成フレームワークに対する頑健な統計的推測への重要な一歩である。
- 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 combine pulsar population synthesis with simulation-based inference (SBI) to constrain the magnetorotational properties of isolated Galactic radio pulsars. We first develop a framework to model neutron star birth properties and their dynamical and magnetorotational evolution. We specifically sample initial magnetic field strengths, $B$, and spin periods, $P$, from lognormal distributions and capture the late-time magnetic field decay with a power law. Each lognormal is described by a mean, $\mu_{\log B}, \mu_{\log P}$, and standard deviation, $\sigma_{\log B}, \sigma_{\log P}$, while the power law is characterized by the index, $a_{\rm late}$. We subsequently model the stars' radio emission and observational biases to mimic detections with three radio surveys, and we produce a large database of synthetic $P$--$\dot{P}$ diagrams by varying our five magnetorotational input parameters. We then follow an SBI approach that focuses on neural posterior estimation and train deep neural networks to infer the parameters' posterior distributions. After successfully validating these individual neural density estimators on simulated data, we use an ensemble of networks to infer the posterior distributions for the observed pulsar population. We obtain $\mu_{\log B} = 13.10^{+0.08}_{-0.10}$, $\sigma_{\log B} = 0.45^{+0.05}_{-0.05}$ and $\mu_{\log P} = -1.00^{+0.26}_{-0.21}$, $\sigma_{\log P} = 0.38^{+0.33}_{-0.18}$ for the lognormal distributions and $a_{\rm late} = -1.80^{+0.65}_{-0.61}$ for the power law at the $95\%$ credible interval. We contrast our results with previous studies and highlight uncertainties of the inferred $a_{\rm late}$ value. Our approach represents a crucial step toward robust statistical inference for complex population synthesis frameworks and forms the basis for future multiwavelength analyses of Galactic pulsars.
- Abstract（参考訳）: 我々は、パルサー集団合成とシミュレーションベース推論(SBI)を組み合わせることで、孤立したギャラクティック電波パルサーの磁気特性を制約する。
まず、中性子星の誕生特性とその動的・磁気進化をモデル化する枠組みを開発する。
具体的には、対数正規分布から初期磁場強度の$B$とスピン周期の$P$をサンプリングし、電力法則により遅延磁場減衰を捕捉する。
各対数正規化は平均$\mu_{\log B}, \mu_{\log P}$, そして標準偏差$\sigma_{\log B}, \sigma_{\log P}$で表され、一方電力法則は指数$a_{\rm late}$で表される。
その後、恒星の電波放射と観測バイアスをモデル化し、3つの電波サーベイで検出を模倣し、5つの磁気的入力パラメータを変化させることで、合成$P$--$\dot{P}$ダイアグラムの大規模なデータベースを作成する。
次に、神経後部推定に焦点を当てたSBIアプローチに従い、パラメータの後部分布を推定するために深部ニューラルネットワークを訓練する。
シミュレーションデータを用いてこれらのニューラルネットワーク密度推定器の検証に成功した後、観測されたパルサー集団の後方分布を推定するために、ネットワークのアンサンブルを用いた。
我々は、対数正規分布に対して$\mu_{\log B} = 13.10^{+0.08}_{-0.10}$, $\sigma_{\log B} = 0.45^{+0.05}_{-0.05}$, $\mu_{\log P} = -1.00^{+0.26}_{-0.21}$, $\sigma_{\log P} = 0.38^{+0.33}_{-0.18}$, $a_{\rm late} = -1.80^{+0.65}_{-0.61}$, $ for the power law at the 9.5\%$ credible intervals を得る。
これまでの研究と対比し、推定された$a_{\rm late}$値の不確かさを強調します。
本手法は, 複雑な集団合成フレームワークの統計的頑健な推測に向けた重要なステップであり, 今後の銀河パルサーのマルチ波長解析の基礎となる。
関連論文リスト
- Dimension-free Private Mean Estimation for Anisotropic Distributions [55.86374912608193]
以前の$mathRd上の分布に関する民間推定者は、次元性の呪いに苦しむ。
本稿では,サンプルの複雑さが次元依存性を改善したアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-11-01T17:59:53Z) - Dynamically emergent correlations in bosons via quantum resetting [0.0]
調和トラップ中のN$非相互作用ボソン系の量子リセットにより誘導される非平衡定常状態(NESS)について検討する。
我々は, 平均密度, 極値統計, 秩序, ギャップ統計などの物理観測値を解析的に計算することによって, 定常状態を完全に特徴づける。
これは、様々な観測可能なものを正確に計算できる強い相関の量子多体NESSの稀な例である。
論文 参考訳（メタデータ） (2024-07-29T18:00:35Z) - Statistical Spatially Inhomogeneous Diffusion Inference [15.167120574781153]
離散観測値から拡散方程式を推定することは統計的課題である。
本稿では,ドリフト$boldsymbolb$と空間的不均一拡散テンソル$D = SigmaSigmaT$のニューラルネットワークによる推定手法を提案する。
論文 参考訳（メタデータ） (2023-12-10T06:52:50Z) - Kernel-, mean- and noise-marginalised Gaussian processes for exoplanet
transits and $H_0$ inference [0.0]
太陽系外惑星トランジット光曲線シミュレーションの合成データを用いてカーネル回収と平均関数推定を行った。
この手法は平均関数と雑音モデルに対して限界化に拡張された。
宇宙クロノメーターデータセットの核後部は非定常線形核を好む。
論文 参考訳（メタデータ） (2023-11-07T17:31:01Z) - Effective Minkowski Dimension of Deep Nonparametric Regression: Function
Approximation and Statistical Theories [70.90012822736988]
ディープ非パラメトリック回帰に関する既存の理論は、入力データが低次元多様体上にある場合、ディープニューラルネットワークは本質的なデータ構造に適応できることを示した。
本稿では,$mathcalS$で表される$mathbbRd$のサブセットに入力データが集中するという緩和された仮定を導入する。
論文 参考訳（メタデータ） (2023-06-26T17:13:31Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳（メタデータ） (2022-11-17T13:01:26Z) - Structure Learning in Graphical Models from Indirect Observations [17.521712510832558]
本稿では、パラメータ法と非パラメトリック法の両方を用いて、Rp$における$p$次元ランダムベクトル$Xのグラフィカル構造を学習する。
温和な条件下では、グラフ構造推定器が正しい構造を得ることができることを示す。
論文 参考訳（メタデータ） (2022-05-06T19:24:44Z) - A Law of Robustness beyond Isoperimetry [84.33752026418045]
我々は、任意の分布上でニューラルネットワークパラメータを補間する頑健性の低い$Omega(sqrtn/p)$を証明した。
次に、$n=mathrmpoly(d)$のとき、スムーズなデータに対する過度なパラメータ化の利点を示す。
我々は、$n=exp(omega(d))$ のとき、$O(1)$-Lipschitz の頑健な補間関数の存在を否定する。
論文 参考訳（メタデータ） (2022-02-23T16:10:23Z) - Dynamics of position disordered Ising spins with a soft-core potential [4.243439940856083]
我々はイジングスピンの磁化緩和を$d$次元でランダムに分布させる。
等質の場合、熱力学的極限で解析式が導出される。
l_rho/R_cgg1$の反対の極限では、同様のダイナミクスが後で現れる。
論文 参考訳（メタデータ） (2021-11-01T09:16:39Z) - Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and
Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。
Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文 参考訳（メタデータ） (2020-06-04T17:51:00Z)
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。