論文の概要: On the Energy Distribution of the Galactic Center Excess' Sources

• arxiv url: http://arxiv.org/abs/2507.17804v1
• Date: Wed, 23 Jul 2025 18:00:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:42.326297
• Title: On the Energy Distribution of the Galactic Center Excess' Sources
• Title（参考訳）: 銀河中心超過源のエネルギー分布について
• Authors: Florian List, Yujin Park, Nicholas L. Rodd, Eve Schoen, Florian Wolf,
• Abstract要約: GCE(Galactic Center Excess)は、フェルミ$gamma$-ray宇宙望遠鏡によって発見された決定的な謎の1つである。 ダークマターの消滅はいまだに証明されていないが、その結論に反する分析は、放出の空間構造が薄暗い点源の個体群とより一致していることを示すものである。 ニューラルネットワークを用いたシミュレーションに基づく推論手法は,そのような制約を克服し,空間的・スペクトル的なデータを用いてGCEの点源的説明に直面することを実証する。
• 参考スコア（独自算出の注目度）: 4.2875024530011085
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Galactic Center Excess (GCE) remains one of the defining mysteries uncovered by the Fermi $\gamma$-ray Space Telescope. Although it may yet herald the discovery of annihilating dark matter, weighing against that conclusion are analyses showing the spatial structure of the emission appears more consistent with a population of dim point sources. Technical limitations have restricted prior analyses to studying the point-source hypothesis purely spatially. All spectral information that could help disentangle the GCE from the complex and uncertain astrophysical emission was discarded. We demonstrate that a neural network-aided simulation-based inference approach can overcome such limitations and thereby confront the point source explanation of the GCE with spatial and spectral data. The addition is profound: energy information drives the putative point sources to be significantly dimmer, indicating either the GCE is truly diffuse in nature or made of an exceptionally large number of sources. Quantitatively, for our best fit background model, the excess is essentially consistent with Poisson emission as predicted by dark matter. If the excess is instead due to point sources, our median prediction is ${\cal O}(10^5)$ sources in the Galactic Center, or more than 35,000 sources at 90% confidence, both significantly larger than the hundreds of sources preferred by earlier point-source analyses of the GCE.
• Abstract（参考訳）: GCE(Galactic Center Excess)は、フェルミ$\gamma$-ray宇宙望遠鏡によって発見された決定的な謎の1つである。 ダークマターの消滅はいまだに証明されていないが、その結論に反する分析は、放出の空間構造が薄暗い点源の個体群とより一致していることを示すものである。 技術的な制限は、点源仮説を純粋に空間的に研究する以前の分析を制限してきた。 複雑な天体物理放射からGCEを遠ざけるのに役立つ全てのスペクトル情報は破棄された。 ニューラルネットワークを用いたシミュレーションに基づく推論手法は,そのような制約を克服し,空間的・スペクトル的なデータを用いてGCEの点源的説明に直面することを実証する。 エネルギー情報は、GCEが自然界において本当に拡散しているか、あるいは非常に多くのソースで構成されていることを示す。 定量的には、最も適合した背景モデルでは、過剰は暗黒物質によって予測されるポアソン放出と本質的に一致している。 もし余剰が点源によるものであるなら、我々の中央値の予測は、銀河センターにおける${\cal O}(10^5)$ソース、または90%の信頼性で35,000以上のソースであり、どちらもGCEの以前の点源分析で好まれる数百のソースよりもはるかに大きい。

関連論文リスト

• Provable Maximum Entropy Manifold Exploration via Diffusion Models [58.89696361871563]
  探索は科学的な発見のような現実世界の意思決定問題を解決するために重要である。 本稿では,事前学習した拡散モデルにより暗黙的に定義された近似データ多様体に対して,探索をエントロピーとしてキャストする新しいフレームワークを提案する。 本研究では,事前学習した拡散モデルの逐次微調整として探索問題を解くミラー降下に基づくアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2025-06-18T11:59:15Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• Unsupervised Machine Learning for the Classification of Astrophysical X-ray Sources [44.99833362998488]
  我々は、Chandra Source Catalogソースに確率的クラスを提供するための教師なし機械学習アプローチを開発した。 約14,507個の検出結果を含む8,756個の情報源を対象とした確率クラスのカタログを提供する。 分類対象物の特徴分布と確立された天体物理仮説との整合性について検討した。
  論文  参考訳（メタデータ） (2024-01-22T18:42:31Z)
• A deep learning framework for jointly extracting spectra and source-count distributions in astronomy [3.7277730514654555]
  本稿では,異なる放射成分のスペクトルと点源集団のSCDを共同で再構成する枠組みを提案する。 概念実証の例では、シミュレーションされた地図から複雑な形状のスペクトルやSCDを正確に抽出できることが示されている。
  論文  参考訳（メタデータ） (2024-01-06T23:45:16Z)
• End-To-End Latent Variational Diffusion Models for Inverse Problems in High Energy Physics [61.44793171735013]
  本稿では,最先端生成技術アプローチの潜時学習とエンドツーエンドの変分フレームワークを組み合わせた,新しい統合アーキテクチャ,潜時変分モデルを提案する。 我々の統一的アプローチは、非最新技術ベースラインの20倍以上の真理への分布自由距離を達成する。
  論文  参考訳（メタデータ） (2023-05-17T17:43:10Z)
• Extracting the gamma-ray source-count distribution below the Fermi-LAT detection limit with deep learning [44.99833362998488]
  合成2次元スカイマップ上で畳み込みニューラルネットワークを訓練し,Fermi-LATインスツルメンタル応答関数を組み込む。 トレーニングされたニューラルネットワークはFermi-LATデータに適用され、そこからソースカウント分布をFermi-LATしきい値以下50のフラックスレベルまで推定する。
  論文  参考訳（メタデータ） (2023-02-03T19:00:51Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• A neural simulation-based inference approach for characterizing the Galactic Center $\gamma$-ray excess [9.101294179203794]
  Fermi gamma-ray Galactic Center Excess(GCE)は10年以上も謎のままだ。 我々は、シミュレーションに基づく推論の分野における最近の進歩を利用して、モデル化されたコンポーネントのGCEへの貢献を特徴づける。
  論文  参考訳（メタデータ） (2021-10-13T18:00:00Z)
• AGNet: Weighing Black Holes with Deep Learning [2.4522011090845846]
  超大質量ブラックホール (SMBHs) は、ほとんどの銀河の中心に自在に存在する。 従来の方法では、収集に費用がかかる分光データを必要とする。 準光時間系列を用いたSMBHの重み付けアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-08-17T16:45:11Z)
• Deep learning insights into cosmological structure formation [1.6351557933652356]
  我々は,暗黒物質ハロの最終質量の確立において,初期条件における異方性情報の役割を研究するためのディープラーニングフレームワークを構築した。 異方性は, 最終ハロ質量に関する密度場の球面平均内に含まれる情報に対して, 統計的に有意な量の情報を与える。
  論文  参考訳（メタデータ） (2020-11-20T19:00:00Z)
• The GCE in a New Light: Disentangling the $\gamma$-ray Sky with Bayesian Graph Convolutional Neural Networks [5.735035463793008]
  GCE(Galactic Center Excess)に関する根本的な疑問は、基礎となる構造が点状か滑らかかである。 本研究ではベイジアングラフ畳み込みニューラルネットワークを用いてこの問題を考察する。 背景テンプレートからのフラックス分画のNN推定値がNPTFと一致していることが判明した。 NNは1$sigma$検出しきい値付近でピークとなる点ソースのフラックスを過小評価する傾向があるため、GCEに対して決定的な解決を主張することはない。
  論文  参考訳（メタデータ） (2020-06-22T18:00:00Z)

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。