論文の概要: Predicting large scale cosmological structure evolution with GAN-based
autoencoders
- arxiv url: http://arxiv.org/abs/2403.02171v1
- Date: Mon, 4 Mar 2024 16:17:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 18:05:21.701973
- Title: Predicting large scale cosmological structure evolution with GAN-based
autoencoders
- Title(参考訳): GANベースのオートエンコーダによる大規模宇宙構造進化予測
- Authors: Marion Ullmo, Nabila Aghnim, Aur\'elien Decelle, Miguel Aragon-Calvo
- Abstract要約: 我々は,GANをベースとしたオートエンコーダ(AE)を用いて,シミュレーション中の構造進化を予測する。
AEsは、DM場の2次元シミュレーションにおける構造進化を予測できるが、密度場のみを入力として、同様の条件下での3次元シミュレーションでは、はるかに低性能であることがわかった。
- 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: Cosmological simulations play a key role in the prediction and understanding
of large scale structure formation from initial conditions. We make use of
GAN-based Autoencoders (AEs) in an attempt to predict structure evolution
within simulations. The AEs are trained on images and cubes issued from
respectively 2D and 3D N-body simulations describing the evolution of the dark
matter (DM) field. We find that while the AEs can predict structure evolution
for 2D simulations of DM fields well, using only the density fields as input,
they perform significantly more poorly in similar conditions for 3D
simulations. However, additionally providing velocity fields as inputs greatly
improves results, with similar predictions regardless of time-difference
between input and target.
- Abstract(参考訳): 宇宙シミュレーションは初期状態からの大規模構造形成の予測と理解において重要な役割を果たす。
我々は,GANをベースとしたオートエンコーダ(AE)を用いて,シミュレーション中の構造進化を予測する。
aesは、ダークマター(dm)フィールドの進化を記述する2次元および3次元のn体シミュレーションから発行される画像と立方体に基づいて訓練される。
aesは密度場のみを入力として,dmフィールドの2次元シミュレーションにおける構造変化を十分に予測できるが,同様の条件下では3次元シミュレーションの精度が著しく低下することがわかった。
しかし、入力として速度場を提供することは、入力とターゲットの時間差に関係なく、同様の予測で結果を大幅に改善する。
関連論文リスト
- Rethinking materials simulations: Blending direct numerical simulations
with neural operators [1.6874375111244329]
そこで本研究では,数値解法とニューラル演算子をブレンドしてシミュレーションを高速化する手法を開発した。
物理蒸着中の微細構造変化シミュレーションにおけるこの枠組みの有効性を実証する。
論文 参考訳(メタデータ) (2023-12-08T23:44:54Z) - 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) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Machine Learning and Polymer Self-Consistent Field Theory in Two Spatial
Dimensions [0.491574468325115]
深層学習を伴う自己整合場理論シミュレーションのデータを活用する計算フレームワークを提案する。
サドル点, 局所平均モノマー密度場を効率よく正確に予測するために, GAN(Generative Adversarial Network)を導入した。
このGANアプローチは、メモリと計算コストの両方を節約する。
論文 参考訳(メタデータ) (2022-12-16T04:30:16Z) - Field Level Neural Network Emulator for Cosmological N-body Simulations [7.051595217991437]
非線形状態において高精度な宇宙構造形成のためのフィールドレベルエミュレータを構築した。
我々は、2つの畳み込みニューラルネットワークを用いて、N体シミュレーション粒子の非線形変位と速度を出力する。
論文 参考訳(メタデータ) (2022-06-09T16:21:57Z) - Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。
近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文 参考訳(メタデータ) (2022-05-31T22:28:34Z) - Active Learning for Computationally Efficient Distribution of Binary
Evolution Simulations [0.19359975080269876]
我々は,データ収集プロセスにおける機械学習を用いて,対象とするシミュレーションを適応的かつ反復的に選択する,新しい能動的学習アルゴリズムであるpsy-crisを提案する。
おもちゃの問題に対してpsy-crisを試験し、その結果のトレーニングセットが正規またはランダムにサンプリングされたグリッドよりも正確な分類と回帰のシミュレーションを少なくする必要があることを発見した。
論文 参考訳(メタデータ) (2022-03-30T21:36:32Z) - An End-to-End Framework for Molecular Conformation Generation via
Bilevel Programming [71.82571553927619]
分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。
具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
論文 参考訳(メタデータ) (2021-05-15T15:22:29Z) - Adaptive Latent Space Tuning for Non-Stationary Distributions [62.997667081978825]
本稿では,ディープエンコーダ・デコーダ方式cnnの低次元潜在空間の適応チューニング法を提案する。
粒子加速器における時間変動荷電粒子ビームの特性を予測するためのアプローチを実証する。
論文 参考訳(メタデータ) (2021-05-08T03:50:45Z) - Fast and Accurate Non-Linear Predictions of Universes with Deep Learning [21.218297581239664]
我々は、高速線形予測を数値シミュレーションから完全に非線形な予測に変換するV-Netベースのモデルを構築した。
我々のNNモデルはシミュレーションを小さなスケールにエミュレートすることを学び、現在の最先端の近似手法よりも高速かつ高精度である。
論文 参考訳(メタデータ) (2020-12-01T03:30:37Z) - Predicting the Physical Dynamics of Unseen 3D Objects [65.49291702488436]
インパルス力を受ける平面上での3次元物体の動的挙動の予測に焦点をあてる。
我々の手法は、訓練中に目に見えない物体の形状や初期条件に一般化することができる。
我々のモデルは物理エンジンと実世界の両方のデータによるトレーニングをサポートすることができる。
論文 参考訳(メタデータ) (2020-01-16T06:27:59Z)
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。