Fugu-MT 論文翻訳(概要): Mean-Field Simulation-Based Inference for Cosmological Initial Conditions

論文の概要: Mean-Field Simulation-Based Inference for Cosmological Initial Conditions

arxiv url: http://arxiv.org/abs/2410.15808v1
Date: Mon, 21 Oct 2024 09:23:50 GMT
ステータス: 翻訳完了
システム内更新日: 2024-10-22 13:15:38.846673
Title: Mean-Field Simulation-Based Inference for Cosmological Initial Conditions
Title（参考訳）: 平均場シミュレーションによる宇宙初期条件の推測
Authors: Oleg Savchenko, Florian List, Guillermo Franco Abellán, Noemi Anau Montel, Christoph Weniger,
Abstract要約: フーリエ空間における対角ガウス場に対する初期物質密度場の後方分布をモデル化したベイズ場再構成法を提案する。トレーニングとサンプリングは非常に速い(トレーニング: $sim 1, Mathrmh$ on a GPU, sample: $lesssim 3, Mathrms$ for 1000 sample at resolution $1283$)。
参考スコア（独自算出の注目度）: 4.520518890664213
License:
Abstract: Reconstructing cosmological initial conditions (ICs) from late-time observations is a difficult task, which relies on the use of computationally expensive simulators alongside sophisticated statistical methods to navigate multi-million dimensional parameter spaces. We present a simple method for Bayesian field reconstruction based on modeling the posterior distribution of the initial matter density field to be diagonal Gaussian in Fourier space, with its covariance and the mean estimator being the trainable parts of the algorithm. Training and sampling are extremely fast (training: $\sim 1 \, \mathrm{h}$ on a GPU, sampling: $\lesssim 3 \, \mathrm{s}$ for 1000 samples at resolution $128^3$), and our method supports industry-standard (non-differentiable) $N$-body simulators. We verify the fidelity of the obtained IC samples in terms of summary statistics.
Abstract（参考訳）: 遅延観測から宇宙初期条件(IC)を再構築することは難しい作業であり、計算コストの高いシミュレータと高度な統計手法を併用して、数百万次元のパラメータ空間をナビゲートする。フーリエ空間における初期物質密度場の後方分布をモデル化したベイズ場再構成法を提案し,その共分散と平均推定器をアルゴリズムのトレーニング可能な部分とする。トレーニングとサンプリングは非常に速い(トレーニング: $\sim 1 \, \mathrm{h}$ on a GPU, sample: $\lesssim 3 \, \mathrm{s}$ for 1000 sample at resolution $128^3$)。得られたICサンプルの忠実度を要約統計量の観点から検証する。

関連論文リスト

A Specialized Semismooth Newton Method for Kernel-Based Optimal Transport [92.96250725599958]
カーネルベース最適輸送(OT)推定器は、サンプルからOT問題に対処するための代替的機能的推定手順を提供する。 SSN法は, 標準正規性条件下でのグローバル収束率$O (1/sqrtk)$, 局所二次収束率を達成できることを示す。
論文参考訳（メタデータ） (2023-10-21T18:48:45Z)
Simulation-free Schr\"odinger bridges via score and flow matching [89.4231207928885]
シミュレーションフリースコアとフローマッチング([SF]$2$M)を提案する。本手法は,拡散モデルのトレーニングに使用するスコアマッチング損失と,連続流のトレーニングに使用されるフローマッチング損失の両方を一般化する。特に、[SF]$2$Mは、高次元の細胞動態を正確にモデル化し、既知の遺伝子制御ネットワークをシミュレートする最初の方法である。
論文参考訳（メタデータ） (2023-07-07T15:42:35Z)
Fast emulation of cosmological density fields based on dimensionality reduction and supervised machine-learning [0.0]
簡単な機械学習手法を用いて,高速暗黒物質密度場エミュレーションを競合精度で実行可能であることを示す。異なる宇宙パラメータに対する新しい密度立方体は、新しいN体シミュレーションに直接頼らずに推定できる。
論文参考訳（メタデータ） (2023-04-12T18:29:26Z)
Fast and realistic large-scale structure from machine-learning-augmented random field simulations [0.0]
我々は、予測された対数正規ダークマター密度場をより現実的なダークマターマップに変換するために機械学習モデルを訓練する。本研究では,フィールド分解能,赤方偏移,宇宙論的パラメータの異なる様々な統計的テストと比較したモデルの性能を示す。
論文参考訳（メタデータ） (2022-05-16T18:00:01Z)
A Statistical Learning View of Simple Kriging [0.0]
統計的学習の観点から,簡単なKrigingタスクを解析する。目標は、最小2次リスクで他の場所にある未知の値を予測することである。我々は、真の最小化を模倣するプラグイン予測則の過剰なリスクに対して、$O_mathbbP (1/sqrtn)$の非漸近境界を証明した。
論文参考訳（メタデータ） (2022-02-15T12:46:43Z)
Fast and Credible Likelihood-Free Cosmology with Truncated Marginal Neural Ratio Estimation [0.0]
Truncated Marginal Neural Ratio Estimation (TMNRE)は、いわゆるシミュレーションベース推論における新しいアプローチである。 TMNREは従来のマルコフチェインモンテカルロよりもはるかに少ないシミュレータコールで収束後処理を実現できることを示す。 TMNREは、特に拡張宇宙論の文脈において、宇宙データ分析の強力なツールになることを約束する。
論文参考訳（メタデータ） (2021-11-15T19:00:09Z)
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)
Sensing Cox Processes via Posterior Sampling and Positive Bases [56.82162768921196]
本研究では,空間統計学から広く用いられている点過程の適応センシングについて検討する。我々は、この強度関数を、特別に構築された正の基底で表される、歪んだガウス過程のサンプルとしてモデル化する。我々の適応センシングアルゴリズムはランゲヴィン力学を用いており、後続サンプリング(textscCox-Thompson)と後続サンプリング(textscTop2)の原理に基づいている。
論文参考訳（メタデータ） (2021-10-21T14:47:06Z)
Topological Echoes of Primordial Physics in the Universe at Large Scales [0.0]
暗黒物質のハロゲンのシミュレーションのために持続性図と導出統計を計算する。私たちのパイプラインは完全なシミュレーションのサブボックスで永続性を計算し、シミュレーションは一様ハロ数にサブサンプルされます。
論文参考訳（メタデータ） (2020-12-07T12:08:55Z)
Sample Complexity of Asynchronous Q-Learning: Sharper Analysis and Variance Reduction [63.41789556777387]
非同期Q-ラーニングはマルコフ決定過程(MDP)の最適行動値関数(またはQ-関数)を学習することを目的としている。 Q-関数の入出力$varepsilon$-正確な推定に必要なサンプルの数は、少なくとも$frac1mu_min (1-gamma)5varepsilon2+ fract_mixmu_min (1-gamma)$の順である。
論文参考訳（メタデータ） (2020-06-04T17:51:00Z)
Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。 NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文参考訳（メタデータ） (2020-02-25T19:18:36Z)

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。