論文の概要: CHARM: Creating Halos with Auto-Regressive Multi-stage networks
- arxiv url: http://arxiv.org/abs/2409.09124v1
- Date: Fri, 13 Sep 2024 18:00:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-17 22:18:51.939767
- Title: CHARM: Creating Halos with Auto-Regressive Multi-stage networks
- Title（参考訳）: CHARM: 自動回帰マルチステージネットワークによるHalosの作成
- Authors: Shivam Pandey, Chirag Modi, Benjamin D. Wandelt, Deaglan J. Bartlett, Adrian E. Bayer, Greg L. Bryan, Matthew Ho, Guilhem Lavaux, T. Lucas Makinen, Francisco Villaescusa-Navarro,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.6987257996124416
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To maximize the amount of information extracted from cosmological datasets, simulations that accurately represent these observations are necessary. However, traditional simulations that evolve particles under gravity by estimating particle-particle interactions (N-body simulations) are computationally expensive and prohibitive to scale to the large volumes and resolutions necessary for the upcoming datasets. Moreover, modeling the distribution of galaxies typically involves identifying virialized dark matter halos, which is also a time- and memory-consuming process for large N-body simulations, further exacerbating the computational cost. In this study, we introduce CHARM, a novel method for creating mock halo catalogs by matching the spatial, mass, and velocity statistics of halos directly from the large-scale distribution of the dark matter density field. We develop multi-stage neural spline flow-based networks to learn this mapping at redshift z=0.5 directly with computationally cheaper low-resolution particle mesh simulations instead of relying on the high-resolution N-body simulations. We show that the mock halo catalogs and painted galaxy catalogs have the same statistical properties as obtained from $N$-body simulations in both real space and redshift space. Finally, we use these mock catalogs for cosmological inference using redshift-space galaxy power spectrum, bispectrum, and wavelet-based statistics using simulation-based inference, performing the first inference with accelerated forward model simulations and finding unbiased cosmological constraints with well-calibrated posteriors. The code was developed as part of the Simons Collaboration on Learning the Universe and is publicly available at \url{https://github.com/shivampcosmo/CHARM}.
- Abstract（参考訳）: 宇宙データセットから抽出した情報の量を最大化するためには、これらの観測を正確に表現するシミュレーションが必要である。
しかし、粒子と粒子の相互作用(N体シミュレーション)を推定することで重力下で粒子を進化させる従来のシミュレーションは、計算コストが高く、今後のデータセットに必要な膨大な量や解像度にスケールすることが禁じられている。
さらに、銀河の分布をモデル化するには、典型的には、大きなN体シミュレーションの時間とメモリ消費のプロセスである暗黒物質ハロを同定し、計算コストをさらに高める。
本研究では, 暗黒物質密度場の大規模分布から直接ハロの空間, 質量, 速度統計をマッチングすることにより, モックハロカタログを作成する新しい手法であるCHARMを紹介する。
我々は,高分解能N体シミュレーションに頼るのではなく,計算効率の低い低分解能粒子メッシュシミュレーションを用いて,赤方偏移z=0.5でこのマッピングを直接学習する多段階神経スプラインフローベースネットワークを開発した。
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$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
最後に、これらのモックカタログを用いて、赤方偏移銀河のパワースペクトル、双スペクトル、ウェーブレットに基づく統計データを用いて、シミュレーションベースの推論を行い、加速された前方モデルシミュレーションを用いて第1の推論を行い、よく校正された後部での偏りのない宇宙論的制約を見つける。
このコードはSimons Collaboration on Learning the Universeの一部として開発され、 \url{https://github.com/shivampcosmo/CHARM}で公開されている。
関連論文リスト
- Spherinator and HiPSter: Representation Learning for Unbiased Knowledge Discovery from Simulations [0.0]
我々は、幅広いシミュレーションから有用な科学的洞察を得るための、新しい、偏見のない、機械学習に基づくアプローチについて説明する。
我々の概念は、低次元空間におけるデータのコンパクトな表現を学習するために非線形次元削減を適用することに基づいている。
本稿では、回転不変な超球面変動畳み込み自己エンコーダを用いて、潜時空間の電力分布を利用して、IllustrisTNGシミュレーションから銀河を訓練したプロトタイプを提案する。
論文 参考訳（メタデータ） (2024-06-06T07:34:58Z) - A point cloud approach to generative modeling for galaxy surveys at the
field level [0.5099081649205313]
宇宙における銀河の分布を記述するために拡散に基づく生成モデルを導入する。
クイジョートシミュレーションスイートにおける暗黒物質ハローの最初の応用例を示す。
このアプローチは、宇宙データの包括的な分析を可能にするために拡張することができる。
論文 参考訳（メタデータ） (2023-11-28T19:00:00Z) - NeuralClothSim: Neural Deformation Fields Meet the Thin Shell Theory [70.10550467873499]
薄型シェルを用いた新しい擬似布シミュレータであるNeuralClothSimを提案する。
メモリ効率の高い解法はニューラル変形場と呼ばれる新しい連続座標に基づく表面表現を演算する。
論文 参考訳（メタデータ） (2023-08-24T17:59:54Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳（メタデータ） (2023-05-21T03:51:03Z) - ELSA -- Enhanced latent spaces for improved collider simulations [0.1450405446885067]
シミュレーションは、コライダー物理学における推論において重要な役割を果たす。
機械学習を用いてシミュレーションの精度を高めるための様々なアプローチを探索する。
修正されたシミュレーションは、幅広い位相空間にわたって、サブパーセンテージの精度を達成することができる。
論文 参考訳（メタデータ） (2023-05-12T18:00:03Z) - Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。
我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。
我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
論文 参考訳（メタデータ） (2022-11-22T15:35:05Z) - Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with
Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。
従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
論文 参考訳（メタデータ） (2022-07-07T17:55:26Z) - Super-resolving Dark Matter Halos using Generative Deep Learning [77.79867381335231]
畳み込みニューラルネットワーク(CNN)上に構築された生成的ディープラーニング手法は、宇宙論における非線形構造を予測する優れたツールを提供する。
本研究では,高分解能暗黒物質ハロを大規模で低分解能暗黒物質のみのシミュレーションから予測する。
論文 参考訳（メタデータ） (2021-11-11T18:59:07Z) - Satellite galaxy abundance dependency on cosmology in Magneticum
simulations [101.18253437732933]
宇宙論的パラメータに基づく衛星量のエミュレータを構築した。
A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。
また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
論文 参考訳（メタデータ） (2021-10-11T18:00:02Z) - Learning the Evolution of the Universe in N-body Simulations [27.935462625522575]
非線型状態の予測を得るために、大規模なN体シミュレーションが構築されている。
n体シミュレーションは計算コストが高く、大量のデータを生成し、ストレージに負担をかける。
非線形n体シミュレーションを中間時間ステップで予測するために,ディープニューラルネットワークモデルを用いる。
論文 参考訳（メタデータ） (2020-12-10T06:27:12Z) - 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)
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。