論文の概要: Inferring Cosmological Parameters with Evidential Physics-Informed Neural Networks
- arxiv url: http://arxiv.org/abs/2509.24327v1
- Date: Mon, 29 Sep 2025 06:25:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-30 22:32:19.782024
- Title: Inferring Cosmological Parameters with Evidential Physics-Informed Neural Networks
- Title（参考訳）: Evidential Physics-Informed Neural Network を用いた宇宙論的パラメータの推定
- Authors: Hai Siong Tan,
- Abstract要約: 我々は、最近の超新星とバリオン音響振動(BAO)データセットから宇宙パラメータを予測するために、物理情報ニューラルネットワークの新たな変種を用いている。
我々の機械学習フレームワークは、対象変数の不確実性推定と、基礎となるPDE記述の未知パラメータを推定する。
- 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 examine the use of a novel variant of Physics-Informed Neural Networks to predict cosmological parameters from recent supernovae and baryon acoustic oscillations (BAO) datasets. Our machine learning framework generates uncertainty estimates for target variables and the inferred unknown parameters of the underlying PDE descriptions. Built upon a hybrid of the principles of Evidential Deep Learning, Physics-Informed Neural Networks, Bayesian Neural Networks and Gaussian Processes, our model enables learning of the posterior distribution of the unknown PDE parameters through standard gradient-descent based training. We apply our model to an up-to-date BAO dataset (Bousis et al. 2024) calibrated with the CMB-inferred sound horizon, and the Pantheon$+$ Sne Ia distances (Scolnic et al. 2018), examining the relative effectiveness and mutual consistency among the standard $\Lambda$CDM, $w$CDM and $\Lambda_s$CDM models. Unlike previous results arising from the standard approach of minimizing an appropriate $\chi^2$ function, the posterior distributions for parameters in various models trained purely on Pantheon$+$ data were found to be largely contained within the $2\sigma$ contours of their counterparts trained on BAO data. Their posterior medians for $h_0$ were within about $2\sigma$ of one another, indicating that our machine learning-guided approach provides a different measure of the Hubble tension.
- Abstract（参考訳）: 本稿では,最近の超新星・バリオン音響振動(BAO)データセットから宇宙パラメータを予測するために,物理情報ニューラルネットワークの新たな変種を用いて検討する。
我々の機械学習フレームワークは、対象変数の不確実性推定と、基礎となるPDE記述の未知パラメータを推定する。
Evidential Deep Learning, Physics-Informed Neural Networks, Bayesian Neural Networks, Gaussian Processs の原理をハイブリッドとして構築し,標準勾配のディフレッシュベーストレーニングにより未知のPDEパラメータの後方分布の学習を可能にする。
提案手法は,CMBが推定した音の地平線を補正した最新のBAOデータセット(Bousis et al 2024)とPantheon$+$ Sne Ia距離(Scolnic et al 2018)に適用し,標準の$\Lambda$CDM,$w$CDM,$\Lambda_s$CDMモデルの相対的有効性と相互整合性を検討した。
適切な$\chi^2$関数を最小化する従来の手法とは異なり、Pantheon$+$データで純粋にトレーニングされた様々なモデルのパラメータの後方分布は、BAOデータでトレーニングされたパラメータの2,\sigma$パターンに大きく含まれていた。
後者の中央値がh_0$は、それぞれ約2.99セントで、私たちの機械学習誘導アプローチがハッブルテンションの異なる尺度を提供することを示している。
関連論文リスト
- Inference in Partially Linear Models under Dependent Data with Deep Neural Networks [0.0]
1次ディープニューラルネットワーク(DNN)推定後の定常$beta$-mixingデータに基づく部分線形回帰モデルにおける推論について考察する。
サンプル分割を避けることで、依存データを持つ計量モデルに機械学習技術を適用する際の重要な課題の1つに対処する。
論文 参考訳（メタデータ） (2024-10-29T22:29:31Z) - Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。
本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文 参考訳（メタデータ） (2024-04-29T15:04:07Z) - Bayesian deep learning for cosmic volumes with modified gravity [0.0]
本研究では,不確実性推定による深層ニューラルネットワークを用いて,修正重力(MG)シミュレーションから宇宙パラメータを抽出することを目的とした。
実空間密度場とパワースペクトルの両BNNを2000ダークマターのみの粒子メッシュのスイートから訓練する。
BNNは$Omega_m$と$sigma_8$のパラメータとMGパラメータとの相関を正確に予測する。
論文 参考訳（メタデータ） (2023-09-01T17:59:06Z) - Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative
Models [49.81937966106691]
我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。
従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
論文 参考訳（メタデータ） (2023-06-15T16:30:08Z) - Capturing dynamical correlations using implicit neural representations [85.66456606776552]
実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。
そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
論文 参考訳（メタデータ） (2023-04-08T07:55:36Z) - Constraining cosmological parameters from N-body simulations with
Variational Bayesian Neural Networks [0.0]
乗法正規化フロー (MNFs) はBNNのパラメータの近似後流の族である。
我々は,標準BNNとフリップアウト推定器についてMNFの比較を行った。
MNFは、変動近似によって導入されたバイアスを緩和する真の後部へのより現実的な予測分布を提供する。
論文 参考訳（メタデータ） (2023-01-09T16:07:48Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳（メタデータ） (2022-11-17T13:01:26Z) - Accelerated Bayesian SED Modeling using Amortized Neural Posterior
Estimation [0.0]
Amortized Neural Posterior Estimation (ANPE) を用いた厳密なベイズ推定のための別のスケーラブルなアプローチを提案する。
ANPEは、ニューラルネットワークを用いて後続確率分布を推定するシミュレーションベースの推論手法である。
我々は,光測光による最近のHahn et al. (2022) SEDモデルの後部を生成可能なANPE法である$rm SEDflow$を提示し,公開している。
論文 参考訳（メタデータ） (2022-03-14T18:00:03Z) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z)
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。