論文の概要: LtU-ILI: An All-in-One Framework for Implicit Inference in Astrophysics
and Cosmology
- arxiv url: http://arxiv.org/abs/2402.05137v1
- Date: Tue, 6 Feb 2024 19:00:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-09 17:56:49.352049
- Title: LtU-ILI: An All-in-One Framework for Implicit Inference in Astrophysics
and Cosmology
- Title(参考訳): LtU-ILI:天体物理学と宇宙論における暗黙の推論のためのオールインワンフレームワーク
- Authors: Matthew Ho, Deaglan J. Bartlett, Nicolas Chartier, Carolina
Cuesta-Lazaro, Simon Ding, Axel Lapel, Pablo Lemos, Christopher C. Lovell, T.
Lucas Makinen, Chirag Modi, Viraj Pandya, Shivam Pandey, Lucia A. Perez,
Benjamin Wandelt, Greg L. Bryan
- Abstract要約: 本稿では,LtU-ILIパイプライン(Learning the Universe Implicit Likelihood Inference:LtU-ILI)を提案する。
これは天体物理学と宇宙論における最先端の機械学習(ML)推論である。
天体物理学や宇宙論の諸問題にまたがる実応用を提示する。
- 参考スコア(独自算出の注目度): 1.5321000844568695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper presents the Learning the Universe Implicit Likelihood Inference
(LtU-ILI) pipeline, a codebase for rapid, user-friendly, and cutting-edge
machine learning (ML) inference in astrophysics and cosmology. The pipeline
includes software for implementing various neural architectures, training
schema, priors, and density estimators in a manner easily adaptable to any
research workflow. It includes comprehensive validation metrics to assess
posterior estimate coverage, enhancing the reliability of inferred results.
Additionally, the pipeline is easily parallelizable, designed for efficient
exploration of modeling hyperparameters. To demonstrate its capabilities, we
present real applications across a range of astrophysics and cosmology
problems, such as: estimating galaxy cluster masses from X-ray photometry;
inferring cosmology from matter power spectra and halo point clouds;
characterising progenitors in gravitational wave signals; capturing physical
dust parameters from galaxy colors and luminosities; and establishing
properties of semi-analytic models of galaxy formation. We also include
exhaustive benchmarking and comparisons of all implemented methods as well as
discussions about the challenges and pitfalls of ML inference in astronomical
sciences. All code and examples are made publicly available at
https://github.com/maho3/ltu-ili.
- Abstract(参考訳): 本稿では、天体物理学と宇宙論における機械学習(ML)の高速かつユーザフレンドリで最先端の推論のためのコードベースであるLtU-ILIパイプラインについて述べる。
このパイプラインには、さまざまなニューラルネットワークの実装、スキーマのトレーニング、事前、密度推定といったソフトウェアが含まれており、どんな研究ワークフローにも容易に適応できる。
後方推定カバレッジを評価するための包括的な検証メトリクスが含まれており、推定結果の信頼性を高めている。
さらにパイプラインは容易に並列化でき、ハイパーパラメータのモデリングを効率的に行うために設計されている。
x線測光から銀河団質量を推定すること、物質のパワースペクトルとハロポイント雲から宇宙論を推測すること、重力波信号における前駆体を特徴付けること、銀河の色や光度から物理的塵のパラメータを捉えること、半分析的な銀河形成モデルの確立などである。
また、全実装手法の比較や、天文学におけるML推論の課題と落とし穴についての議論も含む。
すべてのコードとサンプルはhttps://github.com/maho3/ltu-iliで公開されている。
関連論文リスト
- A point cloud approach to generative modeling for galaxy surveys at the
field level [0.5099081649205313]
宇宙における銀河の分布を記述するために拡散に基づく生成モデルを導入する。
クイジョートシミュレーションスイートにおける暗黒物質ハローの最初の応用例を示す。
このアプローチは、宇宙データの包括的な分析を可能にするために拡張することができる。
論文 参考訳(メタデータ) (2023-11-28T19:00:00Z) - Advances in machine-learning-based sampling motivated by lattice quantum
chromodynamics [4.539861642583362]
この視点は、格子量子場理論によって動機付けられたMLベースのサンプリングの進歩を概説する。
このアプリケーションのためのMLアルゴリズムの設計は、最大規模のスーパーコンピュータにカスタムMLアーキテクチャをスケールする必要があるなど、重大な課題に直面している。
このアプローチが早期の約束を達成できれば、粒子、核、凝縮物質物理学における第一原理物理学計算への転換ステップとなる。
論文 参考訳(メタデータ) (2023-09-03T12:25:59Z) - Higher-order topological kernels via quantum computation [68.8204255655161]
トポロジカルデータ分析(TDA)は、複雑なデータから意味のある洞察を抽出する強力なツールとして登場した。
本稿では,ベッチ曲線の次数増加に基づくBettiカーネルの量子的定義法を提案する。
論文 参考訳(メタデータ) (2023-07-14T14:48:52Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳(メタデータ) (2023-05-21T03:51:03Z) - PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for
Geometry-Agnostic System Identification [64.61198351207752]
ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。
本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。
マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
論文 参考訳(メタデータ) (2023-03-09T18:59:50Z) - Robust Simulation-Based Inference in Cosmology with Bayesian Neural
Networks [3.497773679350512]
SBIのトレーニングにベイズネットワークフレームワークを用いることでバイアスを軽減し、トレーニングセット外のより信頼性の高い推論を実現する方法を示す。
SWAGは、宇宙論における平均ウェイト平均化の最初の応用であり、マイクロ波背景の推測のために訓練されたSBIに適用する。
論文 参考訳(メタデータ) (2022-07-18T08:41:00Z) - Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with
Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。
従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文 参考訳(メタデータ) (2022-07-07T17:55:26Z) - Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。
近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。
我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文 参考訳(メタデータ) (2022-06-27T13:46:51Z) - Marginal Post Processing of Bayesian Inference Products with Normalizing
Flows and Kernel Density Estimators [0.4397520291340696]
我々はMasked Autoregressive Flows と Kernel Density Estimator を用いて、コア科学パラメータに対応する限界後部密度を学習する。
限界あるいは「ニュアンスフリー」な後部と関連する可能性には多くの応用があることが分かる。
論文 参考訳(メタデータ) (2022-05-25T15:10:15Z) - Inducing Gaussian Process Networks [80.40892394020797]
本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。
特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。
実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
論文 参考訳(メタデータ) (2022-04-21T05:27:09Z) - Realistic galaxy image simulation via score-based generative models [0.0]
本研究では,銀河の観測を模倣した現実的かつ偽のイメージを生成するために,スコアベースの生成モデルが利用できることを示す。
主観的には、生成された銀河は実際のデータセットのサンプルと比較すると非常に現実的である。
論文 参考訳(メタデータ) (2021-11-02T16:27:08Z)
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。