論文の概要: Inferring the Hubble Constant Using Simulated Strongly Lensed Supernovae and Neural Network Ensembles

• arxiv url: http://arxiv.org/abs/2504.10553v1
• Date: Mon, 14 Apr 2025 10:43:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:05:40.706102
• Title: Inferring the Hubble Constant Using Simulated Strongly Lensed Supernovae and Neural Network Ensembles
• Title（参考訳）: シミュレーション型強レンズ超新星とニューラルネットワークアンサンブルを用いたハッブル定数の推定
• Authors: Gonçalo Gonçalves, Nikki Arendse, Doogesh Kodi Ramanah, Radosław Wojtak,
• Abstract要約: 強いレンズを持つ超新星はハッブル定数の独立した測定値を得るための有望な新しいプローブである。 本研究では、重力レンズを用いたIa型超新星(glSNe Ia)を用いて、機械学習パイプラインのトレーニングを行う。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Strongly lensed supernovae are a promising new probe to obtain independent measurements of the Hubble constant (${H_0}$). In this work, we employ simulated gravitationally lensed Type Ia supernovae (glSNe Ia) to train our machine learning (ML) pipeline to constrain $H_0$. We simulate image time-series of glSNIa, as observed with the upcoming Nancy Grace Roman Space Telescope, that we employ for training an ensemble of five convolutional neural networks (CNNs). The outputs of this ensemble network are combined with a simulation-based inference (SBI) framework to quantify the uncertainties on the network predictions and infer full posteriors for the $H_0$ estimates. We illustrate that the combination of multiple glSN systems enhances constraint precision, providing a $4.4\%$ estimate of $H_0$ based on 100 simulated systems, which is in agreement with the ground truth. This research highlights the potential of leveraging the capabilities of ML with glSNe systems to obtain a pipeline capable of fast and automated $H_0$ measurements.
• Abstract（参考訳）: 強いレンズを持つ超新星は、ハッブル定数({H_0}$)の独立した測定値を得るための有望な新しいプローブである。 本研究では、重力レンズ付きIa型超新星(glSNe Ia)を用いて機械学習(ML)パイプラインを訓練し、H_0$を制約する。 我々は、次のナンシー・グレース・ロマン宇宙望遠鏡で見られるように、glSNIaの画像時系列をシミュレートし、5つの畳み込みニューラルネットワーク(CNN)のアンサンブルを訓練するために使用する。 このアンサンブルネットワークの出力は、シミュレーションベースの推論(SBI)フレームワークと組み合わせて、ネットワーク予測の不確かさを定量化し、$H_0$の推定に対して完全な後部を推測する。 複数のglSNシステムの組み合わせによって制約精度が向上し、100のシミュレートされたシステムに基づいて$H_0$の4.4\%の見積もりが提供される。 この研究は、高速かつ自動化されたH_0$測定が可能なパイプラインを得るために、MLの機能をglSNeシステムで活用する可能性を強調している。

関連論文リスト

• Automatic Machine Learning Framework to Study Morphological Parameters of AGN Host Galaxies within $z < 1.4$ in the Hyper Supreme-Cam Wide Survey [4.6218496439194805]
  本稿では,AGNホスト銀河のバルジ-トータル光比,半光半径,フラックスの後方分布を推定する機械学習フレームワークを提案する。 我々は、PAFGANを用いて、ホスト銀河からAGN点光源光を分解し、GAMPEN(Galaxy Morphology Posterior Estimation Network)を起動し、形態パラメーターを推定する。 私たちのフレームワークは、従来の軽量なフィッティング方法よりも少なくとも3桁高速に動作します。
  論文  参考訳（メタデータ） (2025-01-27T03:04:34Z)
• Fourier Neural Operators for Learning Dynamics in Quantum Spin Systems [77.88054335119074]
  ランダム量子スピン系の進化をモデル化するためにFNOを用いる。 量子波動関数全体の2n$の代わりに、コンパクトなハミルトン観測可能集合にFNOを適用する。
  論文  参考訳（メタデータ） (2024-09-05T07:18:09Z)
• Deep-learning based measurement of planetary radial velocities in the presence of stellar variability [70.4007464488724]
  我々は、HARPS-N Sun-as-a-star Spectraの3年間の恒星RVジッタを低減するためにニューラルネットワークを使用する。 マルチラインCNNは、半振幅0.2m/s、50日間、振幅8.8%、周期0.7%の誤差で惑星を回復することができる。
  論文  参考訳（メタデータ） (2023-04-10T18:33:36Z)
• Constraining cosmological parameters from N-body simulations with Variational Bayesian Neural Networks [0.0]
  乗法正規化フロー (MNFs) はBNNのパラメータの近似後流の族である。 我々は,標準BNNとフリップアウト推定器についてMNFの比較を行った。 MNFは、変動近似によって導入されたバイアスを緩和する真の後部へのより現実的な予測分布を提供する。
  論文  参考訳（メタデータ） (2023-01-09T16:07:48Z)
• Hierarchical Inference of the Lensing Convergence from Photometric Catalogs with Bayesian Graph Neural Networks [0.0]
  我々は銀河ギャラクシーレンズのスケールを$sim$1$''で変動させ、BGNNを訓練するためにランダムな視線を抽出する。 BGNNは、1000の視線からなる各テストセットに対して、個々の$kappa$aftersを推論し、階層的ベイズモデルで組み合わせる。 トレーニングセットでよくサンプリングされたテストフィールドに対して、BGNNは、正確にはバイアスなく、人口平均の$kappa$を回収する。
  論文  参考訳（メタデータ） (2022-11-15T00:29:20Z)
• Neural Capacitance: A New Perspective of Neural Network Selection via Edge Dynamics [85.31710759801705]
  現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。 本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。 我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
  論文  参考訳（メタデータ） (2022-01-11T20:53:15Z)
• Scalable Lipschitz Residual Networks with Convex Potential Flows [120.27516256281359]
  残差ネットワーク勾配流における凸ポテンシャルを用いることで,1ドルのLipschitz変換が組み込まれていることを示す。 CIFAR-10の包括的な実験は、アーキテクチャのスケーラビリティと、証明可能な防御に$ell$のアプローチの利点を実証している。
  論文  参考訳（メタデータ） (2021-10-25T07:12:53Z)
• A quantum algorithm for training wide and deep classical neural networks [72.2614468437919]
  勾配勾配勾配による古典的トレーサビリティに寄与する条件は、量子線形系を効率的に解くために必要な条件と一致することを示す。 MNIST画像データセットがそのような条件を満たすことを数値的に示す。 我々は、プールを用いた畳み込みニューラルネットワークのトレーニングに$O(log n)$の実証的証拠を提供する。
  論文  参考訳（メタデータ） (2021-07-19T23:41:03Z)
• Optimising simulations for diphoton production at hadron colliders using amplitude neural networks [0.0]
  高多重度散乱過程における行列要素の近似にニューラルネットワークを用いることを検討する。 本研究では,ハドロンコライダー観測装置に適用可能な実測シミュレーション法を開発した。
  論文  参考訳（メタデータ） (2021-06-17T13:24:36Z)
• Large-Scale Gravitational Lens Modeling with Bayesian Neural Networks for Accurate and Precise Inference of the Hubble Constant [0.0]
  我々は、数百の時間遅延重力レンズのモデリングにおける近似ベイズニューラルネットワーク(BNN)の使用について検討する。 200個のテストセットレンズの組み合わせで0.5$textrmkm s-1 textrm Mpc-1$$0.7%$の精度が得られる。 私たちのパイプラインは、レンズモデリングにおけるアンサンブルレベルの体系を探索するための有望なツールです。
  論文  参考訳（メタデータ） (2020-11-30T19:00:20Z)
• 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)

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。