論文の概要: CosmoBench: A Multiscale, Multiview, Multitask Cosmology Benchmark for Geometric Deep Learning

• arxiv url: http://arxiv.org/abs/2507.03707v1
• Date: Fri, 04 Jul 2025 16:46:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.845216
• Title: CosmoBench: A Multiscale, Multiview, Multitask Cosmology Benchmark for Geometric Deep Learning
• Title（参考訳）: CosmoBench: 幾何学的ディープラーニングのためのマルチスケール、マルチビュー、マルチタスクのコスモロジーベンチマーク
• Authors: Ningyuan Huang, Richard Stiskalek, Jun-Young Lee, Adrian E. Bayer, Charles C. Margossian, Christian Kragh Jespersen, Lucia A. Perez, Lawrence K. Saul, Francisco Villaescusa-Navarro,
• Abstract要約: 宇宙論的シミュレーションは、点雲と有向木という形で、豊富なデータを提供する。 重要なゴールは、宇宙の性質と構成に光を当てたこのデータから洞察を抽出することである。 最先端の宇宙学シミュレーションから算出したベンチマークデータセットであるCosmoBenchを紹介する。
• 参考スコア（独自算出の注目度）: 4.340305187316021
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cosmological simulations provide a wealth of data in the form of point clouds and directed trees. A crucial goal is to extract insights from this data that shed light on the nature and composition of the Universe. In this paper we introduce CosmoBench, a benchmark dataset curated from state-of-the-art cosmological simulations whose runs required more than 41 million core-hours and generated over two petabytes of data. CosmoBench is the largest dataset of its kind: it contains 34 thousand point clouds from simulations of dark matter halos and galaxies at three different length scales, as well as 25 thousand directed trees that record the formation history of halos on two different time scales. The data in CosmoBench can be used for multiple tasks -- to predict cosmological parameters from point clouds and merger trees, to predict the velocities of individual halos and galaxies from their collective positions, and to reconstruct merger trees on finer time scales from those on coarser time scales. We provide several baselines on these tasks, some based on established approaches from cosmological modeling and others rooted in machine learning. For the latter, we study different approaches -- from simple linear models that are minimally constrained by symmetries to much larger and more computationally-demanding models in deep learning, such as graph neural networks. We find that least-squares fits with a handful of invariant features sometimes outperform deep architectures with many more parameters and far longer training times. Still there remains tremendous potential to improve these baselines by combining machine learning and cosmology to fully exploit the data. CosmoBench sets the stage for bridging cosmology and geometric deep learning at scale. We invite the community to push the frontier of scientific discovery by engaging with this dataset, available at https://cosmobench.streamlit.app
• Abstract（参考訳）: 宇宙論的シミュレーションは、点雲と有向木という形で、豊富なデータを提供する。 重要なゴールは、宇宙の性質と構成に光を当てたこのデータから洞察を抽出することである。 本稿では,4100万コア時間以上を要し,2ペタバイト以上のデータを生成する,最先端の宇宙シミュレーションから算出したベンチマークデータセットであるCosmoBenchを紹介する。 コスモベンチは、3つの異なる時間スケールでダークマター・ハロと銀河のシミュレーションから3万点の雲と、2つの異なる時間スケールでハロの形成履歴を記録する2万点の木を含む、最大のデータセットである。 コスモベンチのデータは、点雲や融合木から宇宙的パラメータを予測し、個々のハロや銀河の速度を集団的な位置から予測し、粗い時間スケールからより細かい時間スケールでマージツリーを再構築するために、複数のタスクに利用することができる。これらのタスクには、宇宙モデリングなどの機械学習に根ざした確立されたアプローチに基づくものもいくつかある。後者では、対称性によって最小限に制約された単純な線形モデルから、グラフニューラルネットワークのような深層学習においてより大きく、より計算的に要求されるモデルまで、さまざまなアプローチを研究する。 最小二乗法は、時にはより多くのパラメータとはるかに長いトレーニング時間で、ディープアーキテクチャよりも優れたいくつかの不変機能に適合する。 それでも、機械学習と宇宙論を組み合わせてデータを完全に活用することで、これらのベースラインを改善する大きな可能性を秘めている。 CosmoBenchは、大規模な宇宙論と幾何学的深層学習のためのステージを設定する。 このデータセットはhttps://cosmobench.streamlit.appで公開されています。

関連論文リスト

• Historical Astronomical Diagrams Decomposition in Geometric Primitives [13.447991818689463]
  我々は、XII世紀からXVIII世紀にかけての様々な伝統から、303の天文図のユニークなデータセットを紹介した。 我々はDINO-DETR上に構築されたモデルを構築し、複数の幾何学的プリミティブの予測を可能にする。 提案手法は,複数のプリミティブに対して有意義なパラメトリゼーションを導入することにより,ラインに制限されたLETRベースラインを改良する。
  論文  参考訳（メタデータ） (2024-03-13T17:20:25Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
  宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。 我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。 我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
  論文  参考訳（メタデータ） (2022-11-22T15:35:05Z)
• Convolutional Neural Networks on Manifolds: From Graphs and Back [122.06927400759021]
  本稿では,多様体畳み込みフィルタと点次非線形性からなる多様体ニューラルネットワーク(MNN)を提案する。 要約すると、我々は大きなグラフの極限として多様体モデルに焦点を合わせ、MNNを構築するが、それでもMNNの離散化によってグラフニューラルネットワークを復活させることができる。
  論文  参考訳（メタデータ） (2022-10-01T21:17:39Z)
• Towards Quantum Graph Neural Networks: An Ego-Graph Learning Approach [47.19265172105025]
  グラフ構造化データのための新しいハイブリッド量子古典アルゴリズムを提案し、これをEgo-graph based Quantum Graph Neural Network (egoQGNN)と呼ぶ。 egoQGNNはテンソル積とユニティ行列表現を用いてGNN理論フレームワークを実装し、必要なモデルパラメータの数を大幅に削減する。 このアーキテクチャは、現実世界のデータからヒルベルト空間への新しいマッピングに基づいている。
  論文  参考訳（メタデータ） (2022-01-13T16:35:45Z)
• 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)
• The CAMELS Multifield Dataset: Learning the Universe's Fundamental Parameters with Artificial Intelligence [13.72500304639404]
  我々は,Machine Learning Simulations (CAMELS) Multifield dataset, CMD を用いてコスモロジーと天体物理学を述べる。 CMDは何十万もの2Dマップと3Dグリッドのコレクションで、宇宙のガス、暗黒物質、そして2000の異なる宇宙から何回かの宇宙の異なる性質を含んでいる。 2Dマップと3Dグリッドは、CAMELSプロジェクトから何千もの最先端の流体力学と重力のみのN体シミュレーションから生み出された1億ドルの宇宙領域を表している。
  論文  参考訳（メタデータ） (2021-09-22T18:00:01Z)
• First Full-Event Reconstruction from Imaging Atmospheric Cherenkov Telescope Real Data with Deep Learning [55.41644538483948]
  チェレンコフ望遠鏡アレイは、地上のガンマ線天文学の未来である。 地上で作られた最初のプロトタイプ望遠鏡であるLarge Size Telescope 1は現在、最初の科学データを収集している。 我々は、深層畳み込みニューラルネットワークに基づくフルイベント再構築の開発とその実データへの適用を初めて提示する。
  論文  参考訳（メタデータ） (2021-05-31T12:51:42Z)
• 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)
• Emulation of cosmological mass maps with conditional generative adversarial networks [0.0]
  本稿では, 物質密度$Omega_m$と物質クラスタリング強度$sigma_8$に対して, 質量マップを生成可能な新しい条件付きGANモデルを提案する。 以上の結果から,我々の条件付きGANはシミュレーション宇宙論の空間内で効率的に補間できることが示唆された。 この貢献は、質量マップのエミュレータを直接構築するためのステップであり、宇宙的信号とその可変性の両方をキャプチャする。
  論文  参考訳（メタデータ） (2020-04-17T09:34:34Z)

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。