論文の概要: Exploring the Early Universe with Deep Learning

• arxiv url: http://arxiv.org/abs/2509.22018v1
• Date: Fri, 26 Sep 2025 07:51:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.282085
• Title: Exploring the Early Universe with Deep Learning
• Title（参考訳）: 深層学習による初期の宇宙の探索
• Authors: Emmanuel de Salis, Massimo De Santis, Davide Piras, Sambit K. Giri, Michele Bianco, Nicolas Cerardi, Philipp Denzel, Merve Selcuk-Simsek, Kelley M. Hess, M. Carmen Toribio, Franz Kirsten, Hatem Ghorbel,
• Abstract要約: 来るべき正方形キロメアアレイ天文台(SKAO)は、イオン化エポック(EoR)中の中性水素の分布をマッピングする。 我々は,SKAOから期待される水素信号の2次元パワースペクトルから情報を抽出する最新の深層学習技術を開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hydrogen is the most abundant element in our Universe. The first generation of stars and galaxies produced photons that ionized hydrogen gas, driving a cosmological event known as the Epoch of Reionization (EoR). The upcoming Square Kilometre Array Observatory (SKAO) will map the distribution of neutral hydrogen during this era, aiding in the study of the properties of these first-generation objects. Extracting astrophysical information will be challenging, as SKAO will produce a tremendous amount of data where the hydrogen signal will be contaminated with undesired foreground contamination and instrumental systematics. To address this, we develop the latest deep learning techniques to extract information from the 2D power spectra of the hydrogen signal expected from SKAO. We apply a series of neural network models to these measurements and quantify their ability to predict the history of cosmic hydrogen reionization, which is connected to the increasing number and efficiency of early photon sources. We show that the study of the early Universe benefits from modern deep learning technology. In particular, we demonstrate that dedicated machine learning algorithms can achieve more than a $0.95$ $R^2$ score on average in recovering the reionization history. This enables accurate and precise cosmological and astrophysical inference of structure formation in the early Universe.
• Abstract（参考訳）: 水素は宇宙で最も豊富な元素である。 第一世代の恒星や銀河は水素ガスをイオン化する光子を発生させ、Epoch of Reionization (EoR)として知られる宇宙現象を引き起こした。 近く開催される正方形キロメアアレイ天文台(SKAO)は、この時代の中性水素の分布をマッピングし、これらの第1世代の天体の性質の研究を支援する。 SKAOは、望ましくない前景の汚染や機器の体系によって、水素信号が汚染される膨大な量のデータを生成するため、天体物理学的な情報を抽出することは困難である。 そこで我々は,SKAOから期待される水素信号の2次元パワースペクトルから情報を抽出する最新の深層学習手法を開発した。 我々は、これらの測定に一連のニューラルネットワークモデルを適用し、初期の光子源の数と効率の増大に関連して、宇宙水素再イオン化の歴史を予測する能力の定量化を行う。 初期の宇宙の研究は、現代のディープラーニング技術から恩恵を受けていることを示す。 特に、専用機械学習アルゴリズムは、再イオン化履歴の回復において平均で0.95$$R^2$以上のスコアを達成できることを実証する。 これにより、宇宙初期の構造形成の正確で正確な宇宙学的および天体物理学的な推測が可能になる。

関連論文リスト

• Conceptual framework for the application of deep neural networks to surface composition reconstruction from Mercury's exospheric data [77.40388962445168]
  本研究では、ディープニューラルネットワーク(DNN)を用いた中性外気圏のその場測定から水銀のレゴリス元素組成の導出の可能性について検討する。 本稿では,下記表層リゴリスの化学成分を予測した制御フィードフォワードDNNアーキテクチャを提案する。 表面と外圏の相互作用や、外圏の形成に至る過程を推定する指標として機能する。
  論文  参考訳（メタデータ） (2025-05-16T09:52:45Z)
• The Clear Sky Corridor: Insights Towards Aerosol Formation in Exoplanets Using An AI-based Survey of Exoplanet Atmospheres [0.0]
  我々は人工知能を用いて、公開されているHST WFC3データセットの均一な伝送スペクトルを生成する。 280から2580ケルビンの温度を持つ42個の太陽系外惑星を調査し、熱い木星の1.4 mにおける水バンドの振幅と平衡温度の関係をモデル化した。 興味深いことに、惑星の質量対平衡温度図では、700から1700のケルビンの惑星がより強い1.4um H2O帯の測定値を示す「クラー・スカイ・コリドール」が示される。
  論文  参考訳（メタデータ） (2024-10-09T12:00:56Z)
• 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)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• Can AI Understand Our Universe? Test of Fine-Tuning GPT by Astrophysical Data [6.0108108767559525]
  ChatGPTはここ数ヶ月で最も話題になっているコンセプトで、プロフェッショナルと一般大衆の両方を魅了している。 本稿では、銀河、クエーサー、星、ガンマ線バースト(GRBs)、ブラックホール(BHs)の観測から得られた天文学データを用いて、生成前訓練変圧器モデル(GPT)を微調整する。 我々は、LLMが科学的研究において証明された有効性を示す試験として、これを成功とみなしている。
  論文  参考訳（メタデータ） (2024-04-14T20:52:19Z)
• Astronomia ex machina: a history, primer, and outlook on neural networks in astronomy [0.0]
  我々は天文学における接続性の進化をその3つの波で追跡した。 我々は、天文学的な応用のために微調整されたGPTライクな基礎モデルの採用を論じる。
  論文  参考訳（メタデータ） (2022-11-07T19:00:00Z)
• Unsupervised Domain Adaptation for Constraining Star Formation Histories [0.0]
  宇宙の形成を理解するためには、銀河の可視質量の時間進化を導き出さなければならない。 宇宙物理学者は スーパーコンピュータを活用し 銀河のシミュレーションモデルを進化させます 宇宙の現在の時代まで 我々は、シミュレーションデータを用いて、銀河の正確なSFHを導出するための教師なし領域適応の能力について議論する。
  論文  参考訳（メタデータ） (2021-12-28T10:01:28Z)
• 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)
• A Data Scientist's Guide to Streamflow Prediction [55.22219308265945]
  我々は,水文降雨要素と流出モデルに着目し,洪水の予測と流れの予測に応用する。 このガイドは、データサイエンティストが問題や水文学的な概念、そしてその過程で現れる詳細を理解するのを助けることを目的としています。
  論文  参考訳（メタデータ） (2020-06-05T08:04:37Z)

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。