論文の概要: The future of cosmological likelihood-based inference: accelerated high-dimensional parameter estimation and model comparison
- arxiv url: http://arxiv.org/abs/2405.12965v2
- Date: Wed, 4 Sep 2024 14:10:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-07 03:01:22.432584
- Title: The future of cosmological likelihood-based inference: accelerated high-dimensional parameter estimation and model comparison
- Title（参考訳）: 宇宙論的可能性に基づく推論の未来:加速された高次元パラメータ推定とモデル比較
- Authors: Davide Piras, Alicja Polanska, Alessio Spurio Mancini, Matthew A. Price, Jason D. McEwen,
- Abstract要約: 我々は、最近の機械学習とその基盤技術の発展を活用して、宇宙論的な可能性に基づく推論の新しいパラダイムを提唱する。
本研究では,37次元および39次元パラメータ空間におけるステージIVサーベイにおける宇宙せん断解析のシミュレーションへの応用を実演する。
従来のネストサンプリング手法で計算した手法とよく一致した後部輪郭や証拠を復元する。
- 参考スコア（独自算出の注目度）: 5.79711608843279
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We advocate for a new paradigm of cosmological likelihood-based inference, leveraging recent developments in machine learning and its underlying technology, to accelerate Bayesian inference in high-dimensional settings. Specifically, we combine (i) emulation, where a machine learning model is trained to mimic cosmological observables, e.g. CosmoPower-JAX; (ii) differentiable and probabilistic programming, e.g. JAX and NumPyro, respectively; (iii) scalable Markov chain Monte Carlo (MCMC) sampling techniques that exploit gradients, e.g. Hamiltonian Monte Carlo; and (iv) decoupled and scalable Bayesian model selection techniques that compute the Bayesian evidence purely from posterior samples, e.g. the learned harmonic mean implemented in harmonic. This paradigm allows us to carry out a complete Bayesian analysis, including both parameter estimation and model selection, in a fraction of the time of traditional approaches. First, we demonstrate the application of this paradigm on a simulated cosmic shear analysis for a Stage IV survey in 37- and 39-dimensional parameter spaces, comparing $\Lambda$CDM and a dynamical dark energy model ($w_0w_a$CDM). We recover posterior contours and evidence estimates that are in excellent agreement with those computed by the traditional nested sampling approach while reducing the computational cost from 8 months on 48 CPU cores to 2 days on 12 GPUs. Second, we consider a joint analysis between three simulated next-generation surveys, each performing a 3x2pt analysis, resulting in 157- and 159-dimensional parameter spaces. Standard nested sampling techniques are simply unlikely to be feasible in this high-dimensional setting, requiring a projected 12 years of compute time on 48 CPU cores; on the other hand, the proposed approach only requires 8 days of compute time on 24 GPUs. All packages used in our analyses are publicly available.
- Abstract（参考訳）: 我々は,最近の機械学習とその基盤技術を活用し,宇宙論的な可能性に基づく推論の新しいパラダイムを提唱し,ベイズ的推論を高次元設定で加速する。
特に私たちは
(i)エミュレーション、例えばCosmoPower-JAXを模倣する機械学習モデルを訓練すること。
(ii)微分可能および確率的プログラミング、eg JAXおよびNumPyro
三 スケーラブルマルコフ連鎖モンテカルロ(MCMC)の勾配を利用したサンプリング技術、例えばハミルトニアンモンテカルロ
(iv) ベイズ的証拠を純粋に後部サンプルから計算する疎結合でスケーラブルなベイズ的モデル選択手法(例えば、ハーモニックで実装された学習調和平均)。
このパラダイムにより、パラメータ推定とモデル選択の両方を含むベイズ解析を、従来のアプローチのごく一部で行うことができる。
まず,37次元および39次元パラメータ空間におけるStage IVサーベイにおけるシミュレーション宇宙せん断解析へのこのパラダイムの適用を,$\Lambda$CDMと動的ダークエネルギーモデル(w_0w_a$CDM)と比較した。
我々は,48CPUコアで8ヶ月の計算コストを2日間のGPUで2日間に削減しつつ,従来のネストサンプリング手法で計算したデータと良好な一致を示した後部輪郭とエビデンスを復元する。
第2に,3つのシミュレーションされた次世代サーベイ間の共同解析を行い,それぞれが3x2pt解析を行い,その結果,157次元および159次元のパラメータ空間が得られた。
標準的なネストサンプリング技術はこの高次元環境では実現不可能であり、48のCPUコア上での12年間の計算時間を必要とするが、提案手法は24のGPU上で8日間の計算時間しか必要としない。
私たちの分析で使用されるパッケージはすべて公開されています。
関連論文リスト
- von Mises Quasi-Processes for Bayesian Circular Regression [57.88921637944379]
円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
結果の確率モデルは、統計物理学における連続スピンモデルと関係を持つ。
後続推論のために、高速マルコフ連鎖モンテカルロサンプリングに寄与するストラトノビッチのような拡張を導入する。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。
本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。
提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
論文 参考訳（メタデータ） (2024-04-11T09:23:36Z) - Fusion of Gaussian Processes Predictions with Monte Carlo Sampling [61.31380086717422]
科学と工学において、私たちはしばしば興味のある変数の正確な予測のために設計されたモデルで作業します。
これらのモデルが現実の近似であることを認識し、複数のモデルを同じデータに適用し、結果を統合することが望ましい。
論文 参考訳（メタデータ） (2024-03-03T04:21:21Z) - GPS-Gaussian: Generalizable Pixel-wise 3D Gaussian Splatting for Real-time Human Novel View Synthesis [70.24111297192057]
我々は、文字の新たなビューをリアルタイムに合成するための新しいアプローチ、GPS-Gaussianを提案する。
提案手法は,スパースビューカメラ設定下での2K解像度のレンダリングを可能にする。
論文 参考訳（メタデータ） (2023-12-04T18:59:55Z) - CosmoPower-JAX: high-dimensional Bayesian inference with differentiable
cosmological emulators [0.0]
宇宙論推論を加速するCosmoPowerフレームワークのJAXベースの実装であるCosmoPower-JAXを提案する。
本稿では、JAXの自動微分、バッチ評価、ジャスト・イン・タイムコンパイル機能を用いて、パラメータ推定を桁違いに高速化する方法を示す。
標準手法で要求される6年間とは対照的に,CosmoPower-JAXが3日間で収束した後輪郭をいかに提供するかを示す。
論文 参考訳（メタデータ） (2023-05-10T17:54:10Z) - 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) - 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) - Reversible Gromov-Monge Sampler for Simulation-Based Inference [3.725559762520257]
本稿では,多次元確率分布のモデル化とサンプル化のためのシミュレーションに基づく新しい推論手法を提案する。
M'emoli (2011) と Sturm (2012) の距離と計量測度空間の間の同型性に関する研究に動機付けられ、可逆グロモフ・モンジュ距離 (Reversible Gromov-Monge distance) と呼ばれる新しい概念を提案する。
論文 参考訳（メタデータ） (2021-09-28T23:09:24Z) - Compressed particle methods for expensive models with application in
Astronomy and Remote Sensing [15.874578163779047]
そこで本研究では,高コストモデルの評価を行う手法を提案する。
いくつかの数値実験において, 提案手法の有効性を実証的に証明し, 提案手法を理論的に検証した。
そのうちの2つは、天文学と衛星リモートセンシングにおける現実世界の応用である。
論文 参考訳（メタデータ） (2021-07-18T14:45:23Z) - Linear-time inference for Gaussian Processes on one dimension [17.77516394591124]
本研究では,その線形スケーリング計算コストから,状態空間モデルが人気である1次元のサンプルデータについて検討する。
状態空間モデルは一般であり、任意の1次元ガウス過程を近似できるという予想の最初の一般的な証明を提供する。
LEGモデルで推論と学習を行う並列アルゴリズムを開発し、実データおよび合成データ上でアルゴリズムをテストし、数十億のサンプルを持つデータセットへのスケーリングを実証する。
論文 参考訳（メタデータ） (2020-03-11T23:20:13Z)
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。