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

• Geometric deep learning for galaxy-halo connection: a case study for galaxy intrinsic alignments [1.2231689895452238]
  我々は、IllustrisTNG-100シミュレーションに基づいて訓練された深部生成モデルを提案し、3次元銀河の形状と方位をサンプリングする。 このモデルは、参照シミュレーションと統計的に一致した銀河方位などの特徴を学習し、予測することができる。
  論文  参考訳（メタデータ） (2024-09-27T13:55:10Z)
• A comparison of Bayesian sampling algorithms for high-dimensional particle physics and cosmology applications [0.0]
  我々は,マルコフ・チェイン・モンテカルロ(MCMC)とネストサンプリング手法を幅広く検討し,比較した。 ネストサンプリング手法を用いて最も容易に解けると広く考えられているいくつかの例は、現代のMCMCアルゴリズムによりより効率的に解けることを示す。
  論文  参考訳（メタデータ） (2024-09-27T05:57:48Z)
• Understanding Reinforcement Learning-Based Fine-Tuning of Diffusion Models: A Tutorial and Review [63.31328039424469]
  このチュートリアルは、下流の報酬関数を最適化するための微調整拡散モデルのための方法を網羅的に調査する。 PPO,微分可能最適化,報酬重み付きMLE,値重み付きサンプリング,経路整合性学習など,様々なRLアルゴリズムの適用について説明する。
  論文  参考訳（メタデータ） (2024-07-18T17:35:32Z)
• Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
  我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。 我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。 本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
  論文  参考訳（メタデータ） (2024-06-06T07:34:58Z)
• 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)
• 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)

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。