Fugu-MT 論文翻訳(概要): VADER: A Variational Autoencoder to Infer Planetary Masses and Gas-Dust Disk Properties Around Young Stars

論文の概要: VADER: A Variational Autoencoder to Infer Planetary Masses and Gas-Dust Disk Properties Around Young Stars

arxiv url: http://arxiv.org/abs/2509.12324v1
Date: Mon, 15 Sep 2025 18:00:19 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-17 17:50:52.704219
Title: VADER: A Variational Autoencoder to Infer Planetary Masses and Gas-Dust Disk Properties Around Young Stars
Title（参考訳）: VADER:若い星の周囲の惑星質量とガスダストディスク特性を推定する変分オートエンコーダ
Authors: Sayed Shafaat Mahmud, Sayantan Auddy, Neal Turner, Jeffrey S. Bary,
Abstract要約: 原始惑星円盤(PPD)の高分解能ALMAダスト連続画像から惑星質量と大域円盤特性の両方を推定するためのtextbfVADERを提案する。確率論的深層学習モデルであるVADERは、惑星の質量、$alpha$-viscosity、ダスト・ツー・ガス比、ストークス数、フレリング指数、原始惑星の円盤画像から直接の惑星数などの不確実性を考慮した推論を可能にする。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present \textbf{VADER} (Variational Autoencoder for Disks Embedded with Rings), for inferring both planet mass and global disk properties from high-resolution ALMA dust continuum images of protoplanetary disks (PPDs). VADER, a probabilistic deep learning model, enables uncertainty-aware inference of planet masses, $\alpha$-viscosity, dust-to-gas ratio, Stokes number, flaring index, and the number of planets directly from protoplanetary disk images. VADER is trained on over 100{,}000 synthetic images of PPDs generated from \texttt{FARGO3D} simulations post-processed with \texttt{RADMC3D}. Our trained model predicts physical planet and disk parameters with $R^2 > 0.9$ from dust continuum images of PPDs. Applied to 23 real disks, VADER's mass estimates are consistent with literature values and reveal latent correlations that reflect known disk physics. Our results establish VAE-based generative models as robust tools for probabilistic astrophysical inference, with direct applications to interpreting protoplanetary disk substructures in the era of large interferometric surveys.
Abstract（参考訳）: 本稿では, 原始惑星円盤 (PPD) の高分解能ALMAダスト連続画像から, 惑星質量と大域円盤特性の両方を推定するために, <textbf{VADER} を提案する。確率論的ディープラーニングモデルであるVADERは、惑星の質量、$\alpha$-viscosity, dust-to-gas ratio, Stokes number, flaring index, および原始惑星の円盤画像から直接の惑星数の不確実性を考慮した推論を可能にする。 VADER は \texttt{FARGO3D} シミュレーションから生成された PPD の100{,}000 以上の合成画像に基づいて訓練される。トレーニングされたモデルでは,PSDのダスト連続体画像からR^2 > 0.9$で物理惑星とディスクパラメータを予測する。 23個の実ディスクに適用すると、VADERの質量推定は文献値と一致し、既知のディスク物理を反映する潜在相関を明らかにする。この結果から,AVEを用いた生成モデルを確率論的天体物理学推論のための堅牢なツールとして確立し,大規模な干渉法探査の時代に原始惑星円盤のサブ構造を解釈するために直接的に応用した。

関連論文リスト

STAR: A Benchmark for Astronomical Star Fields Super-Resolution [51.79340280382437]
54,738個のフラックス一貫性の星体画像対を含む大規模SRデータセットSTARを提案する。本稿では,Flux-Invariant Super Resolution (FISR)モデルを提案する。
論文参考訳（メタデータ） (2025-07-22T09:28:28Z)
Learning Bijective Surface Parameterization for Inferring Signed Distance Functions from Sparse Point Clouds with Grid Deformation [50.26314343851213]
疎点雲から符号付き距離関数(SDF)を推定することは、表面再構成の課題である。本稿では,SDFをエンドツーエンドに予測するために動的変形ネットワークを学習する新しい手法を提案する。合成および実スキャンデータを用いた実験結果から,本手法は最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2025-03-31T02:27:02Z)
Disk2Planet: A Robust and Automated Machine Learning Tool for Parameter Inference in Disk-Planet Systems [16.738136124873307]
本研究では、プロトプラネタリーディスク構造からディスクプラネタリーシステムにおける鍵パラメータを推論する機械学習ツールであるDisk2Planetを紹介する。我々のツールは完全自動化されており、Nvidia A100グラフィックス処理ユニットで1つのシステムで3分でパラメータを取得できる。
論文参考訳（メタデータ） (2024-09-25T18:00:01Z)
LiveHPS: LiDAR-based Scene-level Human Pose and Shape Estimation in Free Environment [59.320414108383055]
シーンレベルの人間のポーズと形状推定のための単一LiDARに基づく新しいアプローチであるLiveHPSを提案する。多様な人間のポーズを伴う様々なシナリオで収集される巨大な人間の動きデータセットFreeMotionを提案する。
論文参考訳（メタデータ） (2024-02-27T03:08:44Z)
A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文参考訳（メタデータ） (2023-04-14T14:40:32Z)
Using Bayesian Deep Learning to infer Planet Mass from Gaps in Protoplanetary Disks [0.0]
ディスクギャップから惑星質量を予測する深層学習ネットワーク「DPNNet-Bayesian」を導入する。我々のアプローチのユニークな特徴は、ディープラーニングアーキテクチャに関連する不確実性と、入力データに固有の不確実性とを区別できることです。このネットワークは、それぞれ86.0 pm 5.5 M_Earth $、43.8 pm 3.3 M_Earth $、92.2 pm 5.1 M_Earth $と予測している。
論文参考訳（メタデータ） (2022-02-23T19:00:05Z)
PGNets: Planet mass prediction using convolutional neural networks for radio continuum observations of protoplanetary disks [0.0]
原始惑星円盤中の若い惑星によって誘導される構造は、潜在的に若い惑星の性質を推測するために用いられる。 2次元画像から惑星質量を推定するためのPlanet Gap Neural Networks(PGNets)を開発した。線形フィッティング法で見られる$alpha$$propto $M_p3$を再現する。
論文参考訳（メタデータ） (2021-11-30T08:12:08Z)
UltraPose: Synthesizing Dense Pose with 1 Billion Points by Human-body Decoupling 3D Model [58.70130563417079]
我々は,身体の発生を自由に制御できる,一連の分離されたパラメータを持つ新しい3次元人体モデルを導入する。既存の手動注釈付きDensePose-COCOデータセットと比較して、合成されたUltraPoseは、アノテーションのコストと誤差を伴わずに、超高密度な画像-地上対応を持つ。
論文参考訳（メタデータ） (2021-10-28T16:24:55Z)
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)
DPNNet-2.0 Part I: Finding hidden planets from simulated images of protoplanetary disk gaps [6.2194417376659015]
DPNNet citepaud20に次いで第2のDPNNet-2.0を導入し,原始惑星円盤のシミュレーション画像から直接外惑星質量を予測する。この研究は、アタカマ大 (sub-)Millimeter Array) のような望遠鏡による塵面密度マップで観測された惑星間隙から外惑星の質量を直接抽出するコンピュータビジョン(CNNの実装)の利用に向けた最初のステップである。
論文参考訳（メタデータ） (2021-07-19T18:00:31Z)
Modeling protoplanetary disk SEDs with artificial neural networks: Revisiting the viscous disk model and updated disk masses [0.0]
タウルス・オーリガ星形成領域における23個の原始惑星円盤のスペクトルエネルギー分布(SED)を、詳細な円盤モデルとベイズ的アプローチを用いてモデル化する。その結果、多くのソースに対して高い粘度と降着率が得られるが、これは最近のディスク内の低乱流レベルの測定と一致しない。この効果は特に円盤群の研究に関係し、原始惑星円盤と外惑星系の質量の間の以前の観測的な緊張を緩和する。
論文参考訳（メタデータ） (2020-09-07T18:00:02Z)

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。