論文の概要: Learning Galaxy Intrinsic Alignment Correlations
- arxiv url: http://arxiv.org/abs/2404.13702v1
- Date: Sun, 21 Apr 2024 16:16:56 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-23 17:52:05.971869
- Title: Learning Galaxy Intrinsic Alignment Correlations
- Title(参考訳): 銀河固有のアライメント相関の学習
- Authors: Sneh Pandya, Yuanyuan Yang, Nicholas Van Alfen, Jonathan Blazek, Robin Walters,
- Abstract要約: 銀河の内在的なアライメント(IA)は、重力潮流相互作用と銀河形成過程による銀河の形状の相関を表す。
本研究では,銀河の位置,位置配向,方向配向相関関数の測定と不確かさをエミュレートする深層学習手法を提案する。
- 参考スコア(独自算出の注目度): 16.805775045014578
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The intrinsic alignments (IA) of galaxies, regarded as a contaminant in weak lensing analyses, represents the correlation of galaxy shapes due to gravitational tidal interactions and galaxy formation processes. As such, understanding IA is paramount for accurate cosmological inferences from weak lensing surveys; however, one limitation to our understanding and mitigation of IA is expensive simulation-based modeling. In this work, we present a deep learning approach to emulate galaxy position-position ($\xi$), position-orientation ($\omega$), and orientation-orientation ($\eta$) correlation function measurements and uncertainties from halo occupation distribution-based mock galaxy catalogs. We find strong Pearson correlation values with the model across all three correlation functions and further predict aleatoric uncertainties through a mean-variance estimation training procedure. $\xi(r)$ predictions are generally accurate to $\leq10\%$. Our model also successfully captures the underlying signal of the noisier correlations $\omega(r)$ and $\eta(r)$, although with a lower average accuracy. We find that the model performance is inhibited by the stochasticity of the data, and will benefit from correlations averaged over multiple data realizations. Our code will be made open source upon journal publication.
- Abstract(参考訳): 銀河の内在的なアライメント(IA)は、弱いレンズ分析において汚染物質と見なされ、重力潮流相互作用と銀河形成過程による銀河の形状の相関を表現している。
このように、IAの理解は、弱いレンズ調査による正確な宇宙学的推測にとって最重要であるが、IAの理解と緩和の1つの限界は、高価なシミュレーションに基づくモデリングである。
本研究では,銀河の位置位置(\xi$),位置指向(\omega$),方向指向(\eta$)相関関数の測定とハロ占有分布に基づく模擬銀河カタログからの不確かさをエミュレートする深層学習手法を提案する。
3つの相関関数全てにまたがるモデルとの強いピアソン相関値を求め, 平均分散推定訓練により, さらにアレタリック不確かさを予測した。
$\xi(r)$予測は通常$\leq10\%$に正確である。
我々のモデルは、平均精度が低いにもかかわらず、ノイズ相関の根底にあるシグナルを$\omega(r)$と$\eta(r)$で捉えることに成功している。
モデルの性能はデータの確率性によって抑制され、複数のデータ実現平均の相関から恩恵を受けることが判明した。
私たちのコードは、ジャーナルの発行時にオープンソース化されます。
関連論文リスト
- SimBIG: Field-level Simulation-Based Inference of Galaxy Clustering [2.3988372195566443]
本稿では、銀河団のフィールドレベル解析から、宇宙パラメータの最初のシミュレーションベース推論(SBI)を提案する。
重み付き畳み込みニューラルネットワークを用いて、BOSS CMASS銀河サンプルのサブセットにSimBIGを適用し、銀河場の大規模データ圧縮を行う。
この研究は、競合する宇宙学の制約を提示するだけでなく、DESI、PSS、ユークリッドのような今後の銀河調査で追加の宇宙学情報を活用する新しい手法も導入している。
論文 参考訳(メタデータ) (2023-10-23T18:05:32Z) - Astroconformer: The Prospects of Analyzing Stellar Light Curves with
Transformer-Based Deep Learning Models [2.9203802343391057]
我々は、Transformerベースのディープラーニングフレームワークである$textitAstroconformer$を紹介した。
$textitAstroconformer$は優れたパフォーマンスを示し、データリッチなレシエーションで$log gapprox3$で0.017 dexのroot-mean-square-error(RMSE)を達成する。
$textitAstroconformer$は、高い精度で$nu_max$を抽出することにも長けている。
論文 参考訳(メタデータ) (2023-09-28T10:13:23Z) - On the Identifiability and Estimation of Causal Location-Scale Noise
Models [122.65417012597754]
位置スケール・異方性雑音モデル(LSNM)のクラスについて検討する。
症例によっては, 因果方向が同定可能であることが示唆された。
我々は,LSNMの2つの推定器を提案し,その1つは(非線形)特徴写像に基づく推定器と,1つはニューラルネットワークに基づく推定器を提案する。
論文 参考訳(メタデータ) (2022-10-13T17:18:59Z) - The SZ flux-mass ($Y$-$M$) relation at low halo masses: improvements
with symbolic regression and strong constraints on baryonic feedback [2.436653298863297]
AGNと超新星のフィードバックは、CMBサーベイによるハロのSZフラックスの総合的な測定に影響を与える可能性がある。
低質量のフィードバックプロセスに対してより堅牢な$Y-M$関係の類似を探索する。
この結果は,今後のSZ調査を用いて,バリオニクスフィードバックの性質を制約する上で有用である。
論文 参考訳(メタデータ) (2022-09-05T18:00:00Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳(メタデータ) (2021-11-15T09:08:27Z) - Primordial non-Gaussianity from the Completed SDSS-IV extended Baryon
Oscillation Spectroscopic Survey I: Catalogue Preparation and Systematic
Mitigation [3.2855185490071444]
最近完了したバリオン振動分光サーベイ(eBOSS)による最終分光試料の大規模クラスタリングについて検討する。
フォローアップ分光のターゲットを選択するために使用される画像データの品質の空間的変動に起因する密度場の急激なゆらぎを軽減するニューラルネットワークベースのアプローチを開発した。
論文 参考訳(メタデータ) (2021-06-25T16:01:19Z) - Understanding the Under-Coverage Bias in Uncertainty Estimation [58.03725169462616]
量子レグレッションは、現実の望ましいカバレッジレベルよりもアンファンダーカバー(enmphunder-cover)する傾向がある。
我々は、量子レグレッションが固有のアンダーカバーバイアスに悩まされていることを証明している。
我々の理論は、この過大被覆バイアスが特定の高次元パラメータ推定誤差に起因することを明らかにしている。
論文 参考訳(メタデータ) (2021-06-10T06:11:55Z) - Spatially relaxed inference on high-dimensional linear models [48.989769153211995]
本研究では,空間的に制約されたクラスタリング,統計的推論,アンサンブルを組み合わせ,複数のクラスタリング推論解を集約するアンサンブルクラスタリング推論アルゴリズムの特性について検討する。
アンサンブルクラスタ推論アルゴリズムは,最大クラスター径に等しい$delta$-FWERの標準仮定で$delta$-FWERを制御することを示す。
論文 参考訳(メタデータ) (2021-06-04T16:37:19Z) - SLOE: A Faster Method for Statistical Inference in High-Dimensional
Logistic Regression [68.66245730450915]
実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。
私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
論文 参考訳(メタデータ) (2021-03-23T17:48:56Z) - Model-Based Multi-Agent RL in Zero-Sum Markov Games with Near-Optimal
Sample Complexity [67.02490430380415]
モデルに基づくMARLは、Nash平衡値(NE)を求めるために$tilde O(|S||B|(gamma)-3epsilon-2)$のサンプル複雑性を実現する。
また、アルゴリズムが報酬に依存しない場合、そのようなサンプル境界は最小値(対数因子まで)であり、アルゴリズムは報酬知識のない遷移サンプルを問合せする。
論文 参考訳(メタデータ) (2020-07-15T03:25:24Z) - A Precise High-Dimensional Asymptotic Theory for Boosting and
Minimum-$\ell_1$-Norm Interpolated Classifiers [3.167685495996986]
本稿では,分離可能なデータの強化に関する高精度な高次元理論を確立する。
統計モデルのクラスでは、ブースティングの普遍性誤差を正確に解析する。
また, 推力試験誤差と最適ベイズ誤差の関係を明示的に説明する。
論文 参考訳(メタデータ) (2020-02-05T00:24:53Z)
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。