論文の概要: Transfer learning for multifidelity simulation-based inference in cosmology

• arxiv url: http://arxiv.org/abs/2505.21215v1
• Date: Tue, 27 May 2025 14:04:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-28 17:05:58.698466
• Title: Transfer learning for multifidelity simulation-based inference in cosmology
• Title（参考訳）: 宇宙論における多忠実性シミュレーションに基づく推論のための伝達学習
• Authors: Alex A. Saoulis, Davide Piras, Niall Jeffrey, Alessio Spurio Mancini, Ana M. G. Ferreira, Benjamin Joachimi,
• Abstract要約: ダークマターのみのN$-bodyシミュレーションの事前トレーニングは、高忠実度流体力学シミュレーションの必要な回数を8ドルから15ドルに削減する。 より安価なシミュレーションを活用することで,計算コストを大幅に削減しつつ,高忠実度モデルの性能と高精度な推論を可能にする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simulation-based inference (SBI) enables cosmological parameter estimation when closed-form likelihoods or models are unavailable. However, SBI relies on machine learning for neural compression and density estimation. This requires large training datasets which are prohibitively expensive for high-quality simulations. We overcome this limitation with multifidelity transfer learning, combining less expensive, lower-fidelity simulations with a limited number of high-fidelity simulations. We demonstrate our methodology on dark matter density maps from two separate simulation suites in the hydrodynamical CAMELS Multifield Dataset. Pre-training on dark-matter-only $N$-body simulations reduces the required number of high-fidelity hydrodynamical simulations by a factor between $8$ and $15$, depending on the model complexity, posterior dimensionality, and performance metrics used. By leveraging cheaper simulations, our approach enables performant and accurate inference on high-fidelity models while substantially reducing computational costs.
• Abstract（参考訳）: シミュレーションベース推論(SBI)は、閉形式確率やモデルが利用できない場合の宇宙パラメータ推定を可能にする。 しかし、SBIはニューラル圧縮と密度推定に機械学習に依存している。 これは、高品質なシミュレーションには不当に高価である大規模なトレーニングデータセットを必要とする。 この制限を多要素移動学習で克服し、低コストで低忠実なシミュレーションと限られた数の高忠実なシミュレーションを組み合わせる。 流体力学CAMELS Multifield Datasetにおける2つのシミュレーションスイートから得られる暗黒物質密度マップの方法論を実証する。 ダークマターのみの$N$ボディシミュレーションの事前トレーニングは、使用するモデルの複雑さ、後部寸法、およびパフォーマンスメトリクスに応じて、高忠実度流体力学シミュレーションの必要な回数を8ドルから15ドルに削減する。 より安価なシミュレーションを活用することで,計算コストを大幅に削減しつつ,高忠実度モデルの性能と高精度な推論を可能にする。

関連論文リスト

• Multifidelity Simulation-based Inference for Computationally Expensive Simulators [5.863359332854155]
  我々は,高忠実度シミュレータのパラメータを限られたシミュレーション予算内で推測するために,安価な低忠実度シミュレーションを活用する,神経後部推定のための多忠実度アプローチであるMF-NPEを紹介する。 MF-NPEは、最大2桁の高忠実度シミュレーションを必要としながら、現在の手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2025-02-12T13:59:22Z)
• 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)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• 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)
• 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)
• 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)
• Deep Bayesian Active Learning for Accelerating Stochastic Simulation [74.58219903138301]
  Interactive Neural Process(INP)は、シミュレーションとアクティブな学習アプローチのためのディープラーニングフレームワークである。 能動的学習のために,NPベースモデルの潜時空間で計算された新しい取得関数Latent Information Gain (LIG)を提案する。 その結果,STNPは学習環境のベースラインを上回り,LIGは能動学習の最先端を達成していることがわかった。
  論文  参考訳（メタデータ） (2021-06-05T01:31:51Z)

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。