論文の概要: Estimating Orbital Parameters of Direct Imaging Exoplanet Using Neural Network
- arxiv url: http://arxiv.org/abs/2510.17459v1
- Date: Mon, 20 Oct 2025 11:46:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 00:56:39.437071
- Title: Estimating Orbital Parameters of Direct Imaging Exoplanet Using Neural Network
- Title（参考訳）: ニューラルネットワークを用いた直接撮像外惑星の軌道パラメータの推定
- Authors: Bo Liang, Hanlin Song, Chang Liu, Tianyu Zhao, Yuxiang Xu, Zihao Xiao, Manjia Liang, Minghui Du, Wei-Liang Qian, Li-e Qiang, Peng Xu, Ziren Luo,
- Abstract要約: 太陽系外惑星系の軌道パラメータを推定するための新しい流れマッチングチェーンモンテカルロ (FM-MCMC) アルゴリズムを提案する。
ベイジアンフレームワーク内のランダムサンプリングに依存する従来の手法と比較して、我々の手法はまず、以前の物理パラメータの範囲を制約する。
提案手法は, 従来のサンプリング手法を用いて, 深部生成モデルの相乗化のための多種多様なパラダイムを確立する。
- 参考スコア（独自算出の注目度）: 7.8014094634387305
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: In this work, we propose a new flow-matching Markov chain Monte Carlo (FM-MCMC) algorithm for estimating the orbital parameters of exoplanetary systems, especially for those only one exoplanet is involved. Compared to traditional methods that rely on random sampling within the Bayesian framework, our approach first leverages flow matching posterior estimation (FMPE) to efficiently constrain the prior range of physical parameters, and then employs MCMC to accurately infer the posterior distribution. For example, in the orbital parameter inference of beta Pictoris b, our model achieved a substantial speed-up while maintaining comparable accuracy-running 77.8 times faster than Parallel Tempered MCMC (PTMCMC) and 365.4 times faster than nested sampling. Moreover, our FM-MCMC method also attained the highest average log-likelihood among all approaches, demonstrating its superior sampling efficiency and accuracy. This highlights the scalability and efficiency of our approach, making it well-suited for processing the massive datasets expected from future exoplanet surveys. Beyond astrophysics, our methodology establishes a versatile paradigm for synergizing deep generative models with traditional sampling, which can be adopted to tackle complex inference problems in other fields, such as cosmology, biomedical imaging, and particle physics.
- Abstract（参考訳）: 本研究では、特に1つの太陽系外惑星のみが関与する惑星系の軌道パラメータを推定するための、新しいフローマッチング型マルコフ連鎖モンテカルロ(FM-MCMC)アルゴリズムを提案する。
ベイズフレームワーク内のランダムサンプリングに依存する従来の手法と比較して,提案手法はまず流れマッチング後推定(FMPE)を活用し,物理パラメータの事前範囲を効率的に制限し,MCMCを用いて後方分布を正確に推定する。
例えば、ベータPictoris bの軌道パラメータ推定では、我々のモデルは、ネストサンプリングの77.8倍の精度で、Parallel Tempered MCMC(PTMCMC)と365.4倍の精度を維持しながら、かなりのスピードアップを達成した。
さらに, FM-MCMC法は, サンプリング効率と精度が向上し, 全手法中, 平均ログ類似度が最も高かった。
これは我々のアプローチのスケーラビリティと効率を強調し、将来の太陽系外惑星探査で期待される膨大なデータセットを処理するのに適している。
宇宙論以外にも、宇宙論、生医学イメージング、粒子物理学など、他の分野の複雑な推論問題に対処するために、従来のサンプリングで深部生成モデルを相乗化するための多用途パラダイムを確立している。
関連論文リスト
- A comparison of Bayesian sampling algorithms for high-dimensional particle physics and cosmology applications [0.0]
我々は,マルコフ・チェイン・モンテカルロ(MCMC)とネストサンプリング手法を幅広く検討し,比較した。
ネストサンプリング手法を用いて最も容易に解けると広く考えられているいくつかの例は、現代のMCMCアルゴリズムによりより効率的に解けることを示す。
論文 参考訳（メタデータ） (2024-09-27T05:57:48Z) - Iterated Denoising Energy Matching for Sampling from Boltzmann Densities [109.23137009609519]
反復Denoising Energy Matching (iDEM)
iDEMは,拡散型サンプリング装置から高モデル密度のサンプリング領域を (I) 交換し, (II) それらのサンプルをマッチング目的に使用した。
提案手法は,全測定値の最先端性能を達成し,2～5倍の速さでトレーニングを行う。
論文 参考訳（メタデータ） (2024-02-09T01:11:23Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Inferring Atmospheric Properties of Exoplanets with Flow Matching and
Neural Importance Sampling [10.847353970405285]
大気の探査は、観測された光スペクトルから大気パラメータを推定することで外惑星を特徴づける。
ネストサンプリングのような従来の手法は計算コストが高く、機械学習(ML)に基づくソリューションへの関心を喚起する。
まず、新しいMLベースのAR手法として、フローマッチング後推定(FMPE)について検討し、その場合、神経後推定(NPE)よりも正確であることを示す。
次に、FMPEとNPEを併用して重要サンプリングを行い、どちらの手法も精度とシミュレーション効率においてネストサンプリングに優れることを示した。
論文 参考訳（メタデータ） (2023-12-13T17:12:03Z) - Learning Energy-Based Prior Model with Diffusion-Amortized MCMC [89.95629196907082]
非収束短距離MCMCを用いた事前及び後方サンプリングによる潜時空間EMM学習の一般的な実践は、さらなる進歩を妨げている。
本稿では,MCMCサンプリングのための単純だが効果的な拡散型アモータイズ手法を導入し,それに基づく潜時空間EMMのための新しい学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2023-10-05T00:23:34Z) - Accelerating Markov Chain Monte Carlo sampling with diffusion models [0.0]
本稿では,Metropolis-Hastingsアルゴリズムと拡散モデルを組み合わせることで,マルコフ・チェイン・モンテカルロ(MCMC)サンプリングを高速化する新しい手法を提案する。
画像合成の文脈における拡散モデルについて概観し、低次元データアレイに適した流線形拡散モデルを提供する。
提案手法は,後方の正確な表現を得るために必要な可能性評価の回数を大幅に削減する。
論文 参考訳（メタデータ） (2023-09-04T09:03:41Z) - Optimization of Annealed Importance Sampling Hyperparameters [77.34726150561087]
Annealed Importance Smpling (AIS) は、深層生成モデルの難易度を推定するために使われる一般的なアルゴリズムである。
本稿では、フレキシブルな中間分布を持つパラメータAISプロセスを提案し、サンプリングに少ないステップを使用するようにブリッジング分布を最適化する。
我々は, 最適化AISの性能評価を行い, 深部生成モデルの限界推定を行い, 他の推定値と比較した。
論文 参考訳（メタデータ） (2022-09-27T07:58:25Z) - Accelerating MCMC algorithms through Bayesian Deep Networks [7.054093620465401]
マルコフ・チェイン・モンテカルロ(MCMC)アルゴリズムは、複雑な確率分布のサンプリングにおいて、その汎用性のために一般的に用いられる。
分布の次元が大きくなるにつれて、サンプリング空間を十分に探索する計算コストが困難になる。
マルコフ連鎖の最初の提案としてベイズニューラルネットワークの結果を用いて適応MCMCを実行する方法を示す。
論文 参考訳（メタデータ） (2020-11-29T04:29:00Z)
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。