論文の概要: Deep Learning in Astrophysics

• arxiv url: http://arxiv.org/abs/2510.10713v1
• Date: Sun, 12 Oct 2025 17:31:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.081923
• Title: Deep Learning in Astrophysics
• Title（参考訳）: 天体物理学における深層学習
• Authors: Yuan-Sen Ting,
• Abstract要約: 深層学習は天文学の様々な視点を生み出し、このレビューを動機づける支持者と懐疑主義者の間で議論が続いている。 ニューラルネットワークが古典的な統計を補完し、現代のサーベイのためのデータ分析ツールキットを拡張する方法について検討する。 このレビューでは、ディープラーニングがアーキテクチャ設計を通じてドメイン知識をどのように組み入れているかを示す。
• 参考スコア（独自算出の注目度）: 0.2700171473617699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has generated diverse perspectives in astronomy, with ongoing discussions between proponents and skeptics motivating this review. We examine how neural networks complement classical statistics, extending our data analytical toolkit for modern surveys. Astronomy offers unique opportunities through encoding physical symmetries, conservation laws, and differential equations directly into architectures, creating models that generalize beyond training data. Yet challenges persist as unlabeled observations number in billions while confirmed examples with known properties remain scarce and expensive. This review demonstrates how deep learning incorporates domain knowledge through architectural design, with built-in assumptions guiding models toward physically meaningful solutions. We evaluate where these methods offer genuine advances versus claims requiring careful scrutiny. - Neural architectures overcome trade-offs between scalability, expressivity, and data efficiency by encoding physical symmetries and conservation laws into network structure, enabling learning from limited labeled data. - Simulation-based inference and anomaly detection extract information from complex, non-Gaussian distributions where analytical likelihoods fail, enabling field-level cosmological analysis and systematic discovery of rare phenomena. - Multi-scale neural modeling bridges resolution gaps in astronomical simulations, learning effective subgrid physics from expensive high-fidelity runs to enhance large-volume calculations where direct computation remains prohibitive. - Emerging paradigms-reinforcement learning for telescope operations, foundation models learning from minimal examples, and large language model agents for research automation-show promise though are still developing in astronomical applications.
• Abstract（参考訳）: 深層学習は天文学の様々な視点を生み出し、このレビューを動機づける支持者と懐疑主義者の間で議論が続いている。 ニューラルネットワークが古典的な統計を補完し、現代のサーベイのためのデータ分析ツールキットを拡張する方法について検討する。 天文学は、物理対称性、保存法則、微分方程式を直接アーキテクチャに符号化することでユニークな機会を提供し、訓練データを超えて一般化するモデルを作成する。 しかし、無ラベルの観測値が数十億にも上る一方で、既知の特性の確認された例は乏しく高価なままである。 このレビューでは、ディープラーニングがアーキテクチャ設計を通じてドメイン知識をどのように組み入れているかを示す。 我々は、これらの手法が真に進歩するかどうかを、慎重な精査を必要とするクレームに対して評価する。 -ニューラルネットワークアーキテクチャは、物理的対称性と保存法則をネットワーク構造に符号化することで、スケーラビリティ、表現性、データ効率のトレードオフを克服し、限られたラベル付きデータから学習を可能にする。 シミュレーションに基づく推論と異常検出は、解析的可能性が失敗する複雑な非ガウス分布から情報を抽出し、フィールドレベルの宇宙学分析とレア現象の体系的発見を可能にした。 マルチスケールニューラルネットワークは、天文学シミュレーションにおける解のギャップを橋渡しし、高価な高忠実度から効果的なサブグリッド物理を学習し、直接計算が禁じられている大容量計算を強化する。 -望遠鏡操作のための新しいパラダイム強化学習、最小限の例から学ぶ基礎モデル、研究自動化のための大規模言語モデルエージェント。

関連論文リスト

• Unveiling the Power of Uncertainty: A Journey into Bayesian Neural Networks for Stellar dating [0.9999629695552196]
  本稿では,確率的関係をニューラルネットワークでモデル化した階層型ベイズアーキテクチャを提案する。 我々は、質量、半径、年齢(主ターゲット)などの恒星特性を予測する。 我々のシステムは予測値の潜在的な範囲をカプセル化する分布を生成する。
  論文  参考訳（メタデータ） (2025-03-27T04:45:48Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
  その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
  論文  参考訳（メタデータ） (2024-10-31T22:54:34Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Learning dynamics from partial observations with structured neural ODEs [5.757156314867639]
  本稿では,ニューラルODEに基づくシステム識別に関する幅広い物理的知見を取り入れたフレキシブルなフレームワークを提案する。 本稿では,ロボット外骨格を用いた数値シミュレーションおよび実験データセットにおける提案手法の性能について述べる。
  論文  参考訳（メタデータ） (2022-05-25T07:54:10Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)

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。