論文の概要: Dark energy reconstruction analysis with artificial neural networks: Application on simulated Supernova Ia data from Rubin Observatory

• arxiv url: http://arxiv.org/abs/2402.18124v3
• Date: Wed, 30 Oct 2024 09:06:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-01 16:56:14.700072
• Title: Dark energy reconstruction analysis with artificial neural networks: Application on simulated Supernova Ia data from Rubin Observatory
• Title（参考訳）: 人工ニューラルネットワークを用いた暗黒エネルギー再構成解析:ルビン天文台のシミュレーション超新星Iaデータへの適用
• Authors: Ayan Mitra, Isidro Gómez-Vargas, Vasilios Zarikas,
• Abstract要約: LSSTによる3年間のSNIaデータに基づくニューラルネットワーク(ANN)再構成による超新星間距離変調(SNIa)$mu(z)$とダークエネルギーの分析を行った。 我々は、ANNベースの再構成の性能を、理論的なダークエネルギーモデルである$Lambda$CDMとChevallier-Linder-Polarski(CPL)と比較する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In this paper, we present an analysis of Supernova Ia (SNIa) distance moduli $\mu(z)$ and dark energy using an Artificial Neural Network (ANN) reconstruction based on LSST simulated three-year SNIa data. The ANNs employed in this study utilize genetic algorithms for hyperparameter tuning and Monte Carlo Dropout for predictions. Our ANN reconstruction architecture is capable of modeling both the distance moduli and their associated statistical errors given redshift values. We compare the performance of the ANN-based reconstruction with two theoretical dark energy models: $\Lambda$CDM and Chevallier-Linder-Polarski (CPL). Bayesian analysis is conducted for these theoretical models using the LSST simulations and compared with observations from Pantheon and Pantheon+ SNIa real data. We demonstrate that our model-independent ANN reconstruction is consistent with both theoretical models. Performance metrics and statistical tests reveal that the ANN produces distance modulus estimates that align well with the LSST dataset and exhibit only minor discrepancies with $\Lambda$CDM and CPL.
• Abstract（参考訳）: 本稿では,LSSTを用いた3年間のSNIaデータに基づくニューラルネットワーク(ANN)再構成を用いて,超新星距離変調器(SNIa)$$\mu(z)$とダークエネルギーの解析を行う。 この研究で使用されるANNは、遺伝的アルゴリズムをハイパーパラメータチューニングに、モンテカルロ・ドロップアウトを予測に利用している。 我々のANN再構成アーキテクチャは、赤方偏移値が与えられた距離変調と関連する統計的誤差の両方をモデル化することができる。 ANNをベースとした再構成の性能を,$\Lambda$CDM と Chevallier-Linder-Polarski (CPL) の2つの理論的なダークエネルギーモデルと比較した。 LSSTシミュレーションを用いてこれらの理論モデルに対してベイズ解析を行い、パンテオンおよびパンテオン+SNIa実データによる観測と比較した。 モデルに依存しないANN再構成は両理論モデルと一致していることを示す。 性能測定と統計的テストにより、ANNはLSSTデータセットとよく一致し、$\Lambda$CDM と CPL との小さな相違しか示さない距離モジュラー推定を生成することが明らかになった。

関連論文リスト

• Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
  本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。 我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。 カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
  論文  参考訳（メタデータ） (2024-02-19T02:08:09Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• A predictive physics-aware hybrid reduced order model for reacting flows [65.73506571113623]
  反応流問題の解法として,新しいハイブリッド型予測次数モデル (ROM) を提案する。 自由度は、数千の時間的点から、対応する時間的係数を持ついくつかのPODモードへと減少する。 時間係数を予測するために、2つの異なるディープラーニングアーキテクチャがテストされている。
  論文  参考訳（メタデータ） (2023-01-24T08:39:20Z)
• Contextually Enhanced ES-dRNN with Dynamic Attention for Short-Term Load Forecasting [1.1602089225841632]
  提案手法は,コンテキストトラックとメイントラックという,同時に訓練された2つのトラックから構成される。 RNNアーキテクチャは、階層的な拡張を積み重ねた複数の繰り返し層で構成され、最近提案された注意的再帰細胞を備えている。 このモデルは点予測と予測間隔の両方を生成する。
  論文  参考訳（メタデータ） (2022-12-18T07:42:48Z)
• 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)
• A Comparative Study of Detecting Anomalies in Time Series Data Using LSTM and TCN Models [2.007262412327553]
  本稿では,2つの著名なディープラーニングモデリング手法を比較した。 Recurrent Neural Network (RNN)-based Long Short-Term Memory (LSTM) と Convolutional Neural Network (CNN)-based Temporal Convolutional Networks (TCN) を比較した。
  論文  参考訳（メタデータ） (2021-12-17T02:46:55Z)
• Analysis of autocorrelation times in Neural Markov Chain Monte Carlo simulations [0.07734726150561087]
  ニューラルマルコフ連鎖モンテカルロシミュレーションにおける自己相関のより深い研究について述べる。 本稿では, 自己相関時間(自己相関時間)を推定する手法を提案する。 ニューラルネットワークトレーニングプロセスにおけるインポーティング系対称性が自己相関時間に与える影響について検討する。
  論文  参考訳（メタデータ） (2021-11-19T12:56:56Z)
• Self-Learning for Received Signal Strength Map Reconstruction with Neural Architecture Search [63.39818029362661]
  ニューラルアーキテクチャサーチ(NAS)と受信信号強度(RSS)マップ再構築のための自己学習に基づくモデルを提案する。 このアプローチは、まず最適なNNアーキテクチャを見つけ、与えられた(RSS)マップの地上実測値に対して同時に推論モデルを訓練する。 実験結果から,この第2モデルの信号予測は,非学習に基づく最先端技術や,アーキテクチャ探索を伴わないNNモデルよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-17T12:19:22Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• Deep Learning Approaches for Forecasting Strawberry Yields and Prices Using Satellite Images and Station-Based Soil Parameters [2.3513645401551333]
  本稿では,カリフォルニア州サンタバーバラ郡のイチゴ収量と価格を予測するためのディープラーニングアルゴリズムに基づく代替手法を提案する。 提案する予測モデルの構築には3つの段階がある: まず, 複雑な深層学習成分を用いた局型アンサンブルモデル(ATT-CNN-LSTM-SeriesNet_Ens)。 第2に, リモートセンシングアンサンブルモデル (SIM_CNN-LSTM_Ens) を, 出力と同じ収量と価格にマッピングされた入力と同じ郡の衛星画像を用いて訓練し, テストする。 第三に、これらの2つのモデルの予測は最終的な予測値にまとめられる。
  論文  参考訳（メタデータ） (2021-02-17T20:54:34Z)

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。