論文の概要: Estimating Dark Matter Halo Masses in Simulated Galaxy Clusters with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2411.12629v1
• Date: Tue, 19 Nov 2024 16:40:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:35:38.497348
• Title: Estimating Dark Matter Halo Masses in Simulated Galaxy Clusters with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた銀河団の暗黒物質ハロ質量の推定
• Authors: Nikhil Garuda, John F. Wu, Dylan Nelson, Annalisa Pillepich,
• Abstract要約: シミュレーション銀河団の恒星質量から$rmM_rmhalo$を予測するグラフニューラルネットワーク(GNN)モデルを提案する。 ランダムな森林のような従来の機械学習モデルとは異なり、我々のGNNは銀河団の情報豊富なサブ構造を捉えている。 TNG-Clusterデータセットに基づいてトレーニングされ、TNG300シミュレーションで独立にテストされたGNNモデルは、他のベースラインモデルよりも優れた予測性能を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Galaxies grow and evolve in dark matter halos. Because dark matter is not visible, galaxies' halo masses ($\rm{M}_{\rm{halo}}$) must be inferred indirectly. We present a graph neural network (GNN) model for predicting $\rm{M}_{\rm{halo}}$ from stellar mass ($\rm{M}_{*}$) in simulated galaxy clusters using data from the IllustrisTNG simulation suite. Unlike traditional machine learning models like random forests, our GNN captures the information-rich substructure of galaxy clusters by using spatial and kinematic relationships between galaxy neighbour. A GNN model trained on the TNG-Cluster dataset and independently tested on the TNG300 simulation achieves superior predictive performance compared to other baseline models we tested. Future work will extend this approach to different simulations and real observational datasets to further validate the GNN model's ability to generalise.
• Abstract（参考訳）: 銀河は暗黒物質ハロで成長し、進化する。 暗黒物質は見えないため、銀河のハロ質量(\rm{M}_{\rm{halo}}$)は間接的に推論されなければならない。 本稿では、シミュレーションスイートであるIllustrisTNGを用いて、シミュレーション銀河団の恒星質量(\rm{M}_{*}$)から$\rm{M}_{\rm{halo}}$を予測するグラフニューラルネットワーク(GNN)モデルを提案する。 ランダムフォレストのような従来の機械学習モデルとは異なり、我々のGNNは、銀河近傍の空間的および運動的関係を利用して、銀河団の情報豊富なサブ構造を捉えている。 TNG-Clusterデータセットに基づいてトレーニングされ、TNG300シミュレーションで独立にテストされたGNNモデルは、テストした他のベースラインモデルよりも優れた予測性能を達成する。 今後の研究は、GNNモデルの一般化能力をさらに検証するために、異なるシミュレーションと実際の観測データセットにこのアプローチを拡張する予定である。

関連論文リスト

• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• 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$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
  論文  参考訳（メタデータ） (2024-09-13T18:00:06Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。 従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Learning cosmology and clustering with cosmic graphs [0.0]
  我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから数千の銀河カタログのディープラーニングモデルを訓練する。 まず、GNNが数パーセントの精度で銀河カタログのパワースペクトルを計算することができることを示す。 次に、GNNをトレーニングし、銀河場レベルで可能性のない推論を行う。
  論文  参考訳（メタデータ） (2022-04-28T18:00:02Z)
• Inferring halo masses with Graph Neural Networks [0.5804487044220691]
  我々は、ハローの位置、速度、恒星の質量、銀河の半径を推定するモデルを構築します。 我々は不規則でスパースなデータを扱うように設計されたグラフニューラルネットワーク(GNN)を使用している。 我々のモデルでは、ハロの質量を$sim$0.2 dexの精度で制限することができる。
  論文  参考訳（メタデータ） (2021-11-16T18:37:53Z)
• Satellite galaxy abundance dependency on cosmology in Magneticum simulations [101.18253437732933]
  宇宙論的パラメータに基づく衛星量のエミュレータを構築した。 A$ 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)
• Towards a method to anticipate dark matter signals with deep learning at the LHC [58.720142291102135]
  ニューラルネットワークを用いた簡易暗黒物質モデルとそのシグネチャをLHCで検討した。 通常のモノジェットと逆エネルギーチャネルの欠如に焦点を当てるが、アルゴリズムを訓練するためには、イベント・バイ・イベント・アレーの代わりに2Dヒストグラムでデータを整理する。 これにより、標準モデル(SM)のみとSMと新しい物理信号とを区別する性能が大きく向上する。
  論文  参考訳（メタデータ） (2021-05-25T15:38:13Z)
• 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)
• DeepShadows: Separating Low Surface Brightness Galaxies from Artifacts using Deep Learning [70.80563014913676]
  本研究では,低地光度銀河と人工物とを分離する問題に対する畳み込みニューラルネットワーク(CNN)の利用について検討する。 我々は、CNNが低地光度宇宙の研究に非常に有望な道を提供することを示した。
  論文  参考訳（メタデータ） (2020-11-24T22:51:08Z)
• DeepMerge: Classifying High-redshift Merging Galaxies with Deep Neural Networks [0.0]
  シミュレーション画像において、融合銀河と非融合銀河を区別する作業に畳み込みニューラルネットワーク(CNN)を用いることを示す。 我々は、Illustris-1の宇宙シミュレーションから、融合銀河と非融合銀河の画像を抽出し、観測および実験的ノイズを適用した。 CNNのテストセットの分類精度は、プリスタンが79%、ノイズが76%である。
  論文  参考訳（メタデータ） (2020-04-24T20:36:06Z)

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。