論文の概要: FlopPITy: Enabling self-consistent exoplanet atmospheric retrievals with machine learning

• arxiv url: http://arxiv.org/abs/2401.04168v1
• Date: Mon, 8 Jan 2024 19:00:02 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-10 18:49:59.522491
• Title: FlopPITy: Enabling self-consistent exoplanet atmospheric retrievals with machine learning
• Title（参考訳）: FlopPITy: 自己整合性外惑星大気探査と機械学習
• Authors: Francisco Ard\'evol Mart\'inez, Michiel Min, Daniela Huppenkothen, Inga Kamp, Paul I. Palmer
• Abstract要約: 本研究では,外惑星大気探査のための逐次的ニューラルリテラル推定(SNPE)を実装・テストする。 目標は、検索をスピードアップして、より計算コストの高い大気モデルで実行できるようにすることだ。 我々はARCiSを用いて100個の合成観察を行い、SNPE後肢の忠実度を検査する。
• 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: Interpreting the observations of exoplanet atmospheres to constrain physical and chemical properties is typically done using Bayesian retrieval techniques. Because these methods require many model computations, a compromise is made between model complexity and run time. Reaching this compromise leads to the simplification of many physical and chemical processes (e.g. parameterised temperature structure). Here we implement and test sequential neural posterior estimation (SNPE), a machine learning inference algorithm, for exoplanet atmospheric retrievals. The goal is to speed up retrievals so they can be run with more computationally expensive atmospheric models, such as those computing the temperature structure using radiative transfer. We generate 100 synthetic observations using ARCiS (ARtful Modeling Code for exoplanet Science, an atmospheric modelling code with the flexibility to compute models in varying degrees of complexity) and perform retrievals on them to test the faithfulness of the SNPE posteriors. The faithfulness quantifies whether the posteriors contain the ground truth as often as we expect. We also generate a synthetic observation of a cool brown dwarf using the self-consistent capabilities of ARCiS and run a retrieval with self-consistent models to showcase the possibilities that SNPE opens. We find that SNPE provides faithful posteriors and is therefore a reliable tool for exoplanet atmospheric retrievals. We are able to run a self-consistent retrieval of a synthetic brown dwarf spectrum using only 50,000 forward model evaluations. We find that SNPE can speed up retrievals between $\sim2\times$ and $\geq10\times$ depending on the computational load of the forward model, the dimensionality of the observation, and the signal-to-noise ratio of the observation. We make the code publicly available for the community on Github.
• Abstract（参考訳）: 物理的および化学的性質を制限するために外惑星の大気の観測を解釈することは、一般的にベイズ探索技術を用いて行われる。 これらの手法は多くのモデル計算を必要とするため、モデルの複雑さと実行時間の間に妥協が生じる。 この妥協は、多くの物理的および化学的プロセス(例えばパラメータ化温度構造)の単純化につながる。 本稿では,太陽系外惑星の大気探索のための機械学習推論アルゴリズムsnpeを実装し,テストする。 目標は、ラジエーション転送を使って温度構造を計算するような、より計算コストの高い大気モデルで実行できるように、検索をスピードアップすることである。 arcis (artful modeling code for exoplanet science, a atmosphere modelling code with the flexible to compute models in different degree of complexity) を用いて100個の合成観測を行い,snpe後縁部の忠実性をテストするためにそれらを検索した。 忠実さは、後部が期待どおりに根本真理を含むかどうかを定量化する。 また, ARCiSの自己整合性を利用して, 冷却した褐色小星の合成観測を行い, 自己整合モデルによる検索を行い, SNPEが開放する可能性を示す。 SNPEは忠実な後部を提供しており,地球外惑星大気探査の信頼性の高いツールである。 我々は,5万のフォワードモデル評価を用いて,合成ブラウンドロームスペクトルの自己整合性検索を行うことができる。 SNPEが$\sim2\times$と$\geq10\times$の検索を、前方モデルの計算負荷、観測の寸法、観測の信号対雑音比に応じて高速化できることがわかった。 私たちはGithubでコミュニティ向けにコードを公開しています。

関連論文リスト

• KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
  KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。 我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。 我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
  論文  参考訳（メタデータ） (2024-07-18T05:48:24Z)
• Generative Modeling of Regular and Irregular Time Series Data via Koopman VAEs [50.25683648762602]
  モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。 クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。 KoVAEは、いくつかの挑戦的な合成および実世界の時系列生成ベンチマークにおいて、最先端のGANおよびVAEメソッドより優れている。
  論文  参考訳（メタデータ） (2023-10-04T07:14:43Z)
• Disentangling Spatial and Temporal Learning for Efficient Image-to-Video Transfer Learning [59.26623999209235]
  ビデオの空間的側面と時間的側面の学習を両立させるDiSTを提案する。 DiSTの非絡み合い学習は、大量の事前学習パラメータのバックプロパゲーションを避けるため、非常に効率的である。 5つのベンチマークの大規模な実験は、DiSTが既存の最先端メソッドよりも優れたパフォーマンスを提供することを示す。
  論文  参考訳（メタデータ） (2023-09-14T17:58:33Z)
• Using a neural network approach to accelerate disequilibrium chemistry calculations in exoplanet atmospheres [0.0]
  本研究では,1次元化学動力学符号の数学的枠組みを置き換えるニューラルネットワークの実装に着目する。 ネットワークのアーキテクチャは、各入力変数に対する個々のオートエンコーダで構成され、入力次元を減少させる。 その結果, 混合比, 恒星スペクトル, 圧力プロファイルのオートエンコーダは, データの符号化および復号化に極めて成功していることがわかった。
  論文  参考訳（メタデータ） (2023-06-12T12:39:21Z)
• Symbolic Regression on FPGAs for Fast Machine Learning Inference [2.0920303420933273]
  高エネルギー物理コミュニティは、FPGA(Field-Programmable Gate Arrays)上に機械学習ベースのソリューションをデプロイする可能性を探っている シンボリックレグレッション(SR)と呼ばれる機械学習技術を利用した新しいエンドツーエンドプロシージャを提案する。 提案手法は,最大で5 nsまでの実行時間を最大13倍に抑えながら,90%以上の近似精度を維持した推論モデルを用いて3層ニューラルネットワークを近似できることを示す。
  論文  参考訳（メタデータ） (2023-05-06T17:04:02Z)
• Guaranteed Conformance of Neurosymbolic Models to Natural Constraints [4.598757178874836]
  安全クリティカルな応用においては、データ駆動モデルは自然科学の確立した知識に適合することが重要である。 我々はこの適合性を保証する方法を提案する。 拘束されたニューロシンボリックモデルが特定のモデルに適合していることを実験的に示す。
  論文  参考訳（メタデータ） (2022-12-02T18:03:37Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Convolutional neural networks as an alternative to Bayesian retrievals [0.0]
  我々は、外惑星透過スペクトルの機械学習検索とネストサンプリングを比較した。 また、我々のモデルにおける誤った仮定に対して、機械学習とネストサンプリングがいかに堅牢かをテストする。
  論文  参考訳（メタデータ） (2022-03-02T16:58:37Z)
• Exoplanet Characterization using Conditional Invertible Neural Networks [21.516242058639637]
  条件付き可逆ニューラルネットワーク(英: Conditional Invertible Neural Network, CINN)は、逆問題の解法に優れた特殊なタイプのニューラルネットワークである。 我々は,cINNsが標準的な時間的サンプリング手法の代替となる可能性を示す。
  論文  参考訳（メタデータ） (2022-01-31T19:00:06Z)
• Training Feedback Spiking Neural Networks by Implicit Differentiation on the Equilibrium State [66.2457134675891]
  スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、ニューロモルフィックハードウェア上でエネルギー効率の高い実装を可能にする脳にインスパイアされたモデルである。 既存のほとんどの手法は、人工ニューラルネットワークのバックプロパゲーションフレームワークとフィードフォワードアーキテクチャを模倣している。 本稿では,フォワード計算の正逆性に依存しない新しいトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2021-09-29T07:46:54Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)

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。