論文の概要: Maven: A Multimodal Foundation Model for Supernova Science
- arxiv url: http://arxiv.org/abs/2408.16829v1
- Date: Thu, 29 Aug 2024 18:00:05 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-02 17:18:55.808080
- Title: Maven: A Multimodal Foundation Model for Supernova Science
- Title（参考訳）: Maven: 超新星科学のためのマルチモーダル基礎モデル
- Authors: Gemma Zhang, Thomas Helfer, Alexander T. Gagliano, Siddharth Mishra-Sharma, V. Ashley Villar,
- Abstract要約: 超新星科学の最初の基盤モデルであるMavenを紹介します。
まず、0.5Mの合成超新星からの光度測定と分光を合わせるために、我々のモデルを事前訓練する。
そして、Zwicky Transient Facilityから観測された4,702個の超新星の模型を微調整した。
- 参考スコア（独自算出の注目度）: 40.20166238855543
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common setting in astronomy is the availability of a small number of high-quality observations, and larger amounts of either lower-quality observations or synthetic data from simplified models. Time-domain astrophysics is a canonical example of this imbalance, with the number of supernovae observed photometrically outpacing the number observed spectroscopically by multiple orders of magnitude. At the same time, no data-driven models exist to understand these photometric and spectroscopic observables in a common context. Contrastive learning objectives, which have grown in popularity for aligning distinct data modalities in a shared embedding space, provide a potential solution to extract information from these modalities. We present Maven, the first foundation model for supernova science. To construct Maven, we first pre-train our model to align photometry and spectroscopy from 0.5M synthetic supernovae using a constrastive objective. We then fine-tune the model on 4,702 observed supernovae from the Zwicky Transient Facility. Maven reaches state-of-the-art performance on both classification and redshift estimation, despite the embeddings not being explicitly optimized for these tasks. Through ablation studies, we show that pre-training with synthetic data improves overall performance. In the upcoming era of the Vera C. Rubin Observatory, Maven serves as a Rosetta Stone for leveraging large, unlabeled and multimodal time-domain datasets.
- Abstract（参考訳）: 天文学における一般的な設定は、少数の高品質な観測が利用可能であり、より低い品質の観測または単純化されたモデルからの合成データが大きいことである。
時間領域天体物理学はこの不均衡の正準例であり、観測された超新星の数は、分光学的に観測された数を大幅に大きく上回っている。
同時に、これらの測光と分光観測を共通の文脈で理解するためのデータ駆動モデルも存在しない。
共有埋め込み空間における異なるデータモダリティの整合化に人気が高まっているコントラスト学習の目的は、これらのモダリティから情報を抽出する潜在的ソリューションを提供する。
超新星科学の最初の基盤モデルであるMavenを紹介します。
Mavenを構築するために、まず、コンストラクティブな目的を用いて0.5Mの合成超新星からの測光と分光を調整するために、我々のモデルを事前訓練した。
そして、Zwicky Transient Facilityから観測された4,702個の超新星の模型を微調整した。
Mavenは、これらのタスクに明示的に最適化されていない組み込みにもかかわらず、分類と再シフト推定の両方で最先端のパフォーマンスに達する。
アブレーション研究を通じて,合成データによる事前学習が全体の性能を向上させることを示す。
Vera C. Rubin Observatoryの次の時代には、Mavenは大きな、ラベルなし、マルチモーダルなタイムドメインデータセットを活用するためのRosetta Stoneとして機能する。
関連論文リスト
- AstroM$^3$: A self-supervised multimodal model for astronomy [0.0]
本稿では,モデルが複数のモーダルから同時に学習できる自己教師型事前学習手法AstroM$3$を提案する。
具体的には、CLIP(Contrastive Language- Image Pretraining)モデルをトリモーダル設定に拡張し、時系列測光データ、スペクトル、天体物理メタデータの統合を可能にする。
以上の結果から,CLIP事前学習により時系列光度測定の分類性能が向上し,精度が84.6%から91.5%に向上した。
論文 参考訳（メタデータ） (2024-11-13T18:20:29Z) - Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。
本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
論文 参考訳（メタデータ） (2024-07-12T18:00:02Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology
Classification and Anomaly Detection [57.85347204640585]
We developed a Universal Domain Adaptation method DeepAstroUDA。
異なるタイプのクラスオーバーラップしたデータセットに適用することができる。
初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
論文 参考訳（メタデータ） (2022-11-01T18:07:21Z) - Supernova Light Curves Approximation based on Neural Network Models [53.180678723280145]
光度データによる超新星の分類は、天文学におけるビッグデータのリアルタイム処理の出現によって課題となる。
近年の研究では、様々な機械学習モデルに基づく解の優れた品質が実証されている。
我々は,多層パーセプトロン(MLP),ベイジアンニューラルネットワーク(BNN),正規化フロー(NF)の単一光曲線観測への応用について検討した。
論文 参考訳（メタデータ） (2022-06-27T13:46:51Z) - Improving Astronomical Time-series Classification via Data Augmentation
with Generative Adversarial Networks [1.2891210250935146]
本稿では,GAN(Generative Adrial Networks)に基づくデータ拡張手法を提案する。
変動星の分類精度は、合成データによるトレーニングや実データによるテストで著しく向上する。
論文 参考訳（メタデータ） (2022-05-13T16:39:54Z) - Deep Attention-Based Supernovae Classification of Multi-Band
Light-Curves [0.0]
超新星(SNe)は、他の変動事象のクラスと比較して、比較的珍しい天体である。
マルチバンド光曲線の処理は、非常に不規則なケイデンス、長時間のギャップ、欠落値、低数の観測のために難しい課題である。
SNの異なるマルチバンド光曲線を分類するために,TimeModAttn と呼ばれる深部アテンションモデルを提案する。
第二に、超新星パラメトリックモデル(SPM)に基づくSNマルチバンド光曲線の合成生成モデルを提案する。
論文 参考訳（メタデータ） (2022-01-20T22:48:40Z) - Real-time Detection of Anomalies in Multivariate Time Series of
Astronomical Data [0.0]
天文トランジェント(英: Astronomical transients)は、様々な時間スケールで一時的に明るくなる恒星天体である。
新しい天文学的なスカイサーベイは、かつてない数のマルチ波長のトランジェントを観測している。
本稿では, 高速かつ自動で異常な過渡光曲線をリアルタイムに検出することを目的とした2つの新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-15T19:02:54Z) - Realistic galaxy image simulation via score-based generative models [0.0]
本研究では,銀河の観測を模倣した現実的かつ偽のイメージを生成するために,スコアベースの生成モデルが利用できることを示す。
主観的には、生成された銀河は実際のデータセットのサンプルと比較すると非常に現実的である。
論文 参考訳（メタデータ） (2021-11-02T16:27:08Z) - Latent World Models For Intrinsically Motivated Exploration [140.21871701134626]
画像に基づく観察のための自己教師付き表現学習法を提案する。
我々は、部分的に観測可能な環境の探索を導くために、エピソードおよび寿命の不確実性を考慮する。
論文 参考訳（メタデータ） (2020-10-05T19:47:04Z)
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。