論文の概要: IAEmu: Learning Galaxy Intrinsic Alignment Correlations

• arxiv url: http://arxiv.org/abs/2504.05235v1
• Date: Mon, 07 Apr 2025 16:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:08:45.154886
• Title: IAEmu: Learning Galaxy Intrinsic Alignment Correlations
• Title（参考訳）: IAEmu: 銀河固有のアライメント相関を学習する
• Authors: Sneh Pandya, Yuanyuan Yang, Nicholas Van Alfen, Jonathan Blazek, Robin Walters,
• Abstract要約: IAEmuは、銀河の位置(xi$)、位置指向(omega$)、方向指向(eta$)相関関数を予測するニューラルネットワークベースのエミュレータである。 シミュレーションと比較すると、IAEmuは平均エラーを$xi$で3%、omega$で5%、オーバーフィッティングなしで$eta$をキャプチャする。 IAEmuは銀河バイアスとIA研究のための強力な代理モデルであり、ステージIVの弱いレンズ調査に直接応用されている。
• 参考スコア（独自算出の注目度）: 16.805775045014578
• License:
• Abstract: The intrinsic alignments (IA) of galaxies, a key contaminant in weak lensing analyses, arise from correlations in galaxy shapes driven by tidal interactions and galaxy formation processes. Accurate IA modeling is essential for robust cosmological inference, but current approaches rely on perturbative methods that break down on nonlinear scales or on expensive simulations. We introduce IAEmu, a neural network-based emulator that predicts the galaxy position-position ($\xi$), position-orientation ($\omega$), and orientation-orientation ($\eta$) correlation functions and their uncertainties using mock catalogs based on the halo occupation distribution (HOD) framework. Compared to simulations, IAEmu achieves ~3% average error for $\xi$ and ~5% for $\omega$, while capturing the stochasticity of $\eta$ without overfitting. The emulator provides both aleatoric and epistemic uncertainties, helping identify regions where predictions may be less reliable. We also demonstrate generalization to non-HOD alignment signals by fitting to IllustrisTNG hydrodynamical simulation data. As a fully differentiable neural network, IAEmu enables $\sim$10,000$\times$ speed-ups in mapping HOD parameters to correlation functions on GPUs, compared to CPU-based simulations. This acceleration facilitates inverse modeling via gradient-based sampling, making IAEmu a powerful surrogate model for galaxy bias and IA studies with direct applications to Stage IV weak lensing surveys.
• Abstract（参考訳）: 弱いレンズ分析において重要な汚染物質である銀河の内在的なアライメント(IA)は、潮間相互作用と銀河形成過程によって引き起こされる銀河の形状の相関から生じる。 正確なIAモデリングは、堅牢な宇宙論的推論には不可欠であるが、現在のアプローチは、非線形スケールや高価なシミュレーションを分解する摂動的手法に依存している。 我々は,銀河の位置位置(\xi$),位置指向(\omega$),方向指向(\eta$)相関関数とその不確かさを,ハロ占有分布(HOD)フレームワークに基づくモックカタログを用いて予測するニューラルネットワークベースのエミュレータIAEmuを紹介する。 シミュレーションと比較すると、IAEmuは$\xi$で平均3%、$\omega$で平均5%の誤差を達成し、オーバーフィッティングなしで$\eta$の確率性を取得する。 エミュレータは動脈とてんかんの不確実性の両方を提供し、予測が信頼性の低い領域を特定するのに役立つ。 また、IllustrisTNG流体力学シミュレーションデータに適合させることにより、非HODアライメント信号への一般化を示す。 IAEmuは、完全に微分可能なニューラルネットワークとして、CPUベースのシミュレーションと比較して、HODパラメータをGPU上の相関関数にマッピングする際の$\sim$10,000$\times$スピードアップを可能にする。 この加速は勾配に基づくサンプリングによる逆モデリングを促進し、IAEmuは銀河バイアスの強力な代理モデルとなり、IA研究はステージIVの弱いレンズ調査に直接適用された。

関連論文リスト

• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Parallel simulation for sampling under isoperimetry and score-based diffusion models [56.39904484784127]
  データサイズが大きくなるにつれて、イテレーションコストの削減が重要な目標になります。 科学計算における初期値問題の並列シミュレーションの成功に触発されて,タスクをサンプリングするための並列Picard法を提案する。 本研究は,動力学に基づくサンプリング・拡散モデルの科学的計算におけるシミュレーション手法の潜在的利点を強調した。
  論文  参考訳（メタデータ） (2024-12-10T11:50:46Z)
• Cosmological Analysis with Calibrated Neural Quantile Estimation and Approximate Simulators [0.0]
  我々は,多数の近似シミュレーションをトレーニングに利用し,少数の高忠実度シミュレーションをキャリブレーションに利用した新しいシミュレーションベース推論(SBI)手法を提案する。 概念の証明として、2次元暗黒物質密度写像から、z=0$で$k_rm maxsim1.5,h$/Mpcまでの距離で宇宙的パラメータを推定できることが示される。 キャリブレーション後部は、$sim104$ expensive Particle-Particle (PP) シミュレーションの直接トレーニングにより得られたものとよく一致するが、計算コストのごく一部で一致する。
  論文  参考訳（メタデータ） (2024-11-22T05:53:46Z)
• Geometric deep learning for galaxy-halo connection: a case study for galaxy intrinsic alignments [1.2231689895452238]
  我々は、IllustrisTNG-100シミュレーションに基づいて訓練された深部生成モデルを提案し、3次元銀河の形状と方位をサンプリングする。 このモデルは、参照シミュレーションと統計的に一致した銀河方位などの特徴を学習し、予測することができる。
  論文  参考訳（メタデータ） (2024-09-27T13:55:10Z)
• COmoving Computer Acceleration (COCA): $N$-body simulations in an emulated frame of reference [0.0]
  我々は,ハイブリッドフレームワークであるComoving Computer Acceleration (COCA)を紹介した。 正確な運動方程式は、基準のエミュレートされたフレームで解き、任意のエミュレーション誤差を設計によって補正する。 COCAは、粒子軌道におけるエミュレーション誤差を効率的に低減し、MLなしで対応するシミュレーションを実行するよりもはるかに少ない力評価を必要とする。
  論文  参考訳（メタデータ） (2024-09-03T17:27:12Z)
• Learning Galaxy Intrinsic Alignment Correlations [16.805775045014578]
  銀河の内在的なアライメント(IA)は、重力潮流相互作用と銀河形成過程による銀河の形状の相関を表す。 本研究では,銀河の位置,位置配向,方向配向相関関数の測定と不確かさをエミュレートする深層学習手法を提案する。
  論文  参考訳（メタデータ） (2024-04-21T16:16:56Z)
• Deep Generative Models for Ultra-High Granularity Particle Physics Detector Simulation: A Voyage From Emulation to Extrapolation [0.0]
  この論文は、ベルIIの実験でPixel Vertex Detector (PXD)のこの課題を克服することを目的としている。 本研究は、粒子物理学における超高粒度検出器シミュレーションに深部生成モデルを用いた結果について初めて紹介する。
  論文  参考訳（メタデータ） (2024-03-05T23:12:47Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)
• 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)
• 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)

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。