論文の概要: Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations

• arxiv url: http://arxiv.org/abs/2406.03810v1
• Date: Thu, 6 Jun 2024 07:34:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-07 15:59:34.123251
• Title: Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations
• Title（参考訳）: SpherinatorとHiPSter:シミュレーションによる未知の知識発見のための表現学習
• Authors: Kai L. Polsterer, Bernd Doser, Andreas Fehlner, Sebastian Trujillo-Gomez,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Simulations are the best approximation to experimental laboratories in astrophysics and cosmology. However, the complexity, richness, and large size of their outputs severely limit the interpretability of their predictions. We describe a new, unbiased, and machine learning based approach to obtaining useful scientific insights from a broad range of simulations. The method can be used on today's largest simulations and will be essential to solve the extreme data exploration and analysis challenges posed by the Exascale era. Furthermore, this concept is so flexible, that it will also enable explorative access to observed data. Our concept is based on applying nonlinear dimensionality reduction to learn compact representations of the data in a low-dimensional space. The simulation data is projected onto this space for interactive inspection, visual interpretation, sample selection, and local analysis. We present a prototype using a rotational invariant hyperspherical variational convolutional autoencoder, utilizing a power distribution in the latent space, and trained on galaxies from IllustrisTNG simulation. Thereby, we obtain a natural Hubble tuning fork like similarity space that can be visualized interactively on the surface of a sphere by exploiting the power of HiPS tilings in Aladin Lite.
• Abstract（参考訳）: シミュレーションは、天体物理学と宇宙学の実験室に最適な近似である。 しかし、その出力の複雑さ、豊かさ、そして大きなサイズは、予測の解釈可能性を大幅に制限する。 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、機械学習ベースのアプローチについて説明する。 この方法は、今日の最大のシミュレーションで利用することができ、エクスカスケール時代の極端なデータ探索と分析の課題を解決するために不可欠である。 さらに、この概念は非常に柔軟であり、観測されたデータへの爆発的なアクセスを可能にする。 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。 シミュレーションデータは、インタラクティブな検査、視覚的解釈、サンプル選択、局所分析のために、この空間に投影される。 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。 そこで,Aladin LiteにおけるHiPSタイリングのパワーを利用して,球面上で対話的に可視化できる自然なハッブルチューニングフォークを得る。

関連論文リスト

• CHARM: Creating Halos with Auto-Regressive Multi-stage networks [1.6987257996124416]
  CHARMは、モックハローカタログを作成するための新しい方法である。 モックハローカタログと塗装された銀河カタログは、実空間と赤方偏移空間の両方でN$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
  論文  参考訳（メタデータ） (2024-09-13T18:00:06Z)
• LLM and Simulation as Bilevel Optimizers: A New Paradigm to Advance Physical Scientific Discovery [141.39722070734737]
  本稿では,大規模言語モデルの知識駆動型抽象推論能力をシミュレーションの計算力で強化することを提案する。 本稿では,2段階最適化フレームワークであるSGA(Scientific Generative Agent)を紹介する。 法発見と分子設計における枠組みの有効性を実証するための実験を行った。
  論文  参考訳（メタデータ） (2024-05-16T03:04:10Z)
• 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)
• Towards a Machine Learning-Based Approach to Predict Space Object Density Distributions [0.7652747219811166]
  人工宇宙オブジェクト(ASO)を調べるための現在のモデルは、計算的に要求されている。 我々は,MIT Orbital Capacity Tool(MOCAT)の拡張として,機械学習に基づく新しいモデルを提案する。 深層学習に基づく解がASO伝播の優れた候補となる可能性について検討し、データの高次元性を管理する。
  論文  参考訳（メタデータ） (2024-01-08T19:43:30Z)
• Domain Adaptive Graph Neural Networks for Constraining Cosmological Parameters Across Multiple Data Sets [40.19690479537335]
  DA-GNNは,データセット間のタスクにおいて高い精度とロバスト性を実現する。 このことは、DA-GNNがドメインに依存しない宇宙情報を抽出するための有望な方法であることを示している。
  論文  参考訳（メタデータ） (2023-11-02T20:40:21Z)
• Simulation-based inference using surjective sequential neural likelihood estimation [50.24983453990065]
  主観的逐次的ニューラルネットワーク類似度推定はシミュレーションに基づく推論の新しい手法である。 データを低次元空間に埋め込むことで、SSNLは高次元データセットに適用する際の従来の可能性ベースの手法が抱えるいくつかの問題を解く。
  論文  参考訳（メタデータ） (2023-08-02T10:02:38Z)
• 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)
• ELSA -- Enhanced latent spaces for improved collider simulations [0.1450405446885067]
  シミュレーションは、コライダー物理学における推論において重要な役割を果たす。 機械学習を用いてシミュレーションの精度を高めるための様々なアプローチを探索する。 修正されたシミュレーションは、幅広い位相空間にわたって、サブパーセンテージの精度を達成することができる。
  論文  参考訳（メタデータ） (2023-05-12T18:00:03Z)
• VTAE: Variational Transformer Autoencoder with Manifolds Learning [144.0546653941249]
  深層生成モデルは、多くの潜伏変数を通して非線形データ分布の学習に成功している。 ジェネレータの非線形性は、潜在空間がデータ空間の不満足な射影を示し、表現学習が不十分になることを意味する。 本研究では、測地学と正確な計算により、深部生成モデルの性能を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2023-04-03T13:13:19Z)
• Bridging the Gap to Real-World Object-Centric Learning [66.55867830853803]
  自己教師付き方法で訓練されたモデルから特徴を再構成することは、完全に教師なしの方法でオブジェクト中心表現が生じるための十分な訓練信号であることを示す。 我々のアプローチであるDINOSAURは、シミュレーションデータ上で既存のオブジェクト中心学習モデルよりも大幅に優れています。
  論文  参考訳（メタデータ） (2022-09-29T15:24:47Z)

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。