論文の概要: Score Matching on Large Geometric Graphs for Cosmology Generation
- arxiv url: http://arxiv.org/abs/2508.16990v1
- Date: Sat, 23 Aug 2025 11:08:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.286982
- Title: Score Matching on Large Geometric Graphs for Cosmology Generation
- Title（参考訳）: コスモロジー生成のための大規模幾何学グラフのスコアマッチング
- Authors: Diana-Alexandra Onutu, Yue Zhao, Joaquin Vanschoren, Vlado Menkovski,
- Abstract要約: 宇宙論における銀河の重力クラスタリングをシミュレートする等変グラフニューラルネットワークを用いたスコアベース生成モデルを提案する。
提案した同変スコアベースモデルでは,60,000halosまでの本格的な宇宙論的な点雲の生成に成功した。
この研究は、構造形成の基盤となる重力クラスターと密接に類似するように設計された生成モデルを導入することで進展する。
- 参考スコア（独自算出の注目度）: 14.637236070358588
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generative models are a promising tool to produce cosmological simulations but face significant challenges in scalability, physical consistency, and adherence to domain symmetries, limiting their utility as alternatives to $N$-body simulations. To address these limitations, we introduce a score-based generative model with an equivariant graph neural network that simulates gravitational clustering of galaxies across cosmologies starting from an informed prior, respects periodic boundaries, and scales to full galaxy counts in simulations. A novel topology-aware noise schedule, crucial for large geometric graphs, is introduced. The proposed equivariant score-based model successfully generates full-scale cosmological point clouds of up to 600,000 halos, respects periodicity and a uniform prior, and outperforms existing diffusion models in capturing clustering statistics while offering significant computational advantages. This work advances cosmology by introducing a generative model designed to closely resemble the underlying gravitational clustering of structure formation, moving closer to physically realistic and efficient simulators for the evolution of large-scale structures in the universe.
- Abstract（参考訳）: 生成モデルは宇宙シミュレーションを作成する上で有望なツールであるが、拡張性、物理的整合性、ドメイン対称性への固執といった大きな課題に直面しており、N$-bodyシミュレーションに代わるものとしての有用性を制限している。
これらの制約に対処するため,同変グラフニューラルネットワークを用いたスコアベース生成モデルを導入し,宇宙論における銀河の重力的クラスタリングをシミュレートし,周期的境界を尊重し,シミュレーションにおいて全銀河数にスケールする。
大規模幾何グラフに不可欠な新しいトポロジ対応ノイズスケジュールが導入された。
提案した同変スコアベースモデルでは,最大60,000haloのフルスケールの宇宙論点雲の生成に成功し,周期性と均一な先行性を尊重し,クラスタリング統計の取得において既存の拡散モデルよりも優れ,計算上の優位性も高い。
この研究は、構造形成の基盤となる重力クラスターと密接に類似するように設計された生成モデルを導入し、宇宙の大規模構造の進化のための物理的に現実的で効率的なシミュレータに近づいた。
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) - ASURA-FDPS-ML: Star-by-star Galaxy Simulations Accelerated by Surrogate Modeling for Supernova Feedback [0.7324709841516586]
代理モデルによって加速される新しい高分解能銀河シミュレーションを導入し、計算コストを約75%削減する。
Zero Age Main Sequence mass of about 10 $mathrmM_odot$ explosion as core-collapse supernovae (CCSNe)
計算コストを削減し,物理スケールギャップを効果的に橋渡しし,マルチスケールシミュレーションを可能にする。
論文 参考訳（メタデータ） (2024-10-30T18:00:02Z) - Geometric Trajectory Diffusion Models [58.853975433383326]
生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。
既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。
本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
論文 参考訳（メタデータ） (2024-10-16T20:36:41Z) - CHARM: Creating Halos with Auto-Regressive Multi-stage networks [1.6987257996124416]
CHARMは、モックハローカタログを作成するための新しい方法である。
モックハローカタログと塗装された銀河カタログは、実空間と赤方偏移空間の両方でN$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
論文 参考訳（メタデータ） (2024-09-13T18:00:06Z) - Geometric Neural Diffusion Processes [55.891428654434634]
拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。
これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
論文 参考訳（メタデータ） (2023-07-11T16:51:38Z) - Towards Complex Dynamic Physics System Simulation with Graph Neural ODEs [75.7104463046767]
本稿では,粒子系の空間的および時間的依存性を特徴付ける新しい学習ベースシミュレーションモデルを提案する。
我々は,GNSTODEのシミュレーション性能を,重力とクーロンの2つの実世界の粒子系上で実証的に評価した。
論文 参考訳（メタデータ） (2023-05-21T03:51:03Z) - Towards solving model bias in cosmic shear forward modeling [2.967246997200238]
弱い重力レンズは、宇宙のせん断と呼ばれる銀河形態のわずかなせん断を発生させる。
楕円度測定の統計に基づくせん断推定の現代の技術は、楕円度が任意の銀河の光のプロファイルに対して適切に定義された量ではないという事実に悩まされている。
生成モデルが銀河形態を捉えるハイブリッド物理・ディープラーニング階層ベイズモデルにより、現実的な銀河上でのせん断の偏りのない推定を復元できることを示す。
論文 参考訳（メタデータ） (2022-10-28T16:23:49Z) - 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)
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。