論文の概要: Bayesian Inference of Primordial Magnetic Field Parameters from CMB with Spherical Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2510.20795v1
• Date: Thu, 23 Oct 2025 17:56:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.533667
• Title: Bayesian Inference of Primordial Magnetic Field Parameters from CMB with Spherical Graph Neural Networks
• Title（参考訳）: 球状グラフニューラルネットワークを用いたCMBからの原磁場パラメータのベイズ推定
• Authors: Juan Alejandro Pinto Castro, Héctor J. Hortúa, Jorge Enrique García-Farieta, Roger Anderson Hurtado,
• Abstract要約: 本稿では,宇宙マイクロ波背景シミュレーション(CMB)マップから直接,原始磁場(PMF)における重要な宇宙パラメータを推定するための新しいベイズグラフ深層学習フレームワークを実装した。 本手法では,HEALPixピクセル化によるCMBデータの球面形状の尊重に特化して設計された,球面畳み込みニューラルネットワークアーキテクチャであるDeepSphereを利用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has emerged as a transformative methodology in modern cosmology, providing powerful tools to extract meaningful physical information from complex astronomical datasets. This paper implements a novel Bayesian graph deep learning framework for estimating key cosmological parameters in a primordial magnetic field (PMF) cosmology directly from simulated Cosmic Microwave Background (CMB) maps. Our methodology utilizes DeepSphere, a spherical convolutional neural network architecture specifically designed to respect the spherical geometry of CMB data through HEALPix pixelization. To advance beyond deterministic point estimates and enable robust uncertainty quantification, we integrate Bayesian Neural Networks (BNNs) into the framework, capturing aleatoric and epistemic uncertainties that reflect the model confidence in its predictions. The proposed approach demonstrates exceptional performance, achieving $R^{2}$ scores exceeding 0.89 for the magnetic parameter estimation. We further obtain well-calibrated uncertainty estimates through post-hoc training techniques including Variance Scaling and GPNormal. This integrated DeepSphere-BNNs framework not only delivers accurate parameter estimation from CMB maps with PMF contributions but also provides reliable uncertainty quantification, providing the necessary tools for robust cosmological inference in the era of precision cosmology.
• Abstract（参考訳）: 深層学習は現代の宇宙論における変革的方法論として現れ、複雑な天文学的なデータセットから意味のある物理的情報を抽出する強力なツールを提供している。 本稿では,宇宙マイクロ波背景シミュレーション(CMB)マップから直接,原始磁場(PMF)における重要な宇宙パラメータを推定するための新しいベイズグラフ深層学習フレームワークを実装した。 本手法では,HEALPixピクセル化によるCMBデータの球面形状の尊重に特化して設計された,球面畳み込みニューラルネットワークアーキテクチャであるDeepSphereを利用する。 決定論的な点推定を超えて、ロバストな不確実性定量化を可能にするために、ベイズニューラルネットワーク(BNN)をフレームワークに統合し、その予測に対するモデル信頼性を反映したアレタリックおよびエピステマティック不確実性を捉える。 提案手法は、磁気パラメータ推定において、0.89以上のR^{2}$スコアを達成し、例外的な性能を示す。 さらに、分散スケーリングやGPNormalといったポストホックトレーニング手法により、よく校正された不確実性の推定値を得る。 この統合されたDeepSphere-BNNsフレームワークは、PMFコントリビューションを持つCMBマップからの正確なパラメータ推定を提供するだけでなく、信頼性の高い不確実性定量化を提供する。

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)
• Learning from Topology: Cosmological Parameter Estimation from the Large-scale Structure [0.0]
  本稿では、永続画像を宇宙パラメータにマッピングするニューラルネットワークモデルを提案する。 我々のモデルは正確で正確な推定を行い、従来のベイズ推定手法よりもかなり優れている。
  論文  参考訳（メタデータ） (2023-08-04T18:00:02Z)
• Information Bottleneck Analysis of Deep Neural Networks via Lossy Compression [37.69303106863453]
  Information Bottleneck(IB)原則は、ディープニューラルネットワーク(DNN)のトレーニングプロセスを分析するための情報理論フレームワークを提供する。 本稿では,一般NNのICB解析を行うためのフレームワークを提案する。 また,MI力学の新たな特徴を明らかにするため,実規模に近いISB解析を行う。
  論文  参考訳（メタデータ） (2023-05-13T21:44:32Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)
• Robust Simulation-Based Inference in Cosmology with Bayesian Neural Networks [3.497773679350512]
  SBIのトレーニングにベイズネットワークフレームワークを用いることでバイアスを軽減し、トレーニングセット外のより信頼性の高い推論を実現する方法を示す。 SWAGは、宇宙論における平均ウェイト平均化の最初の応用であり、マイクロ波背景の推測のために訓練されたSBIに適用する。
  論文  参考訳（メタデータ） (2022-07-18T08:41:00Z)
• Inferring Structural Parameters of Low-Surface-Brightness-Galaxies with Uncertainty Quantification using Bayesian Neural Networks [70.80563014913676]
  ベイズニューラルネットワーク (BNN) を用いて, シミュレーションした低地表面明度銀河画像から, それらのパラメータの不確かさを推測できることを示す。 従来のプロファイル適合法と比較して、BNNを用いて得られた不確実性は等しく、よく校正され、パラメータの点推定は真の値に近いことを示す。
  論文  参考訳（メタデータ） (2022-07-07T17:55:26Z)
• Estimating permeability of 3D micro-CT images by physics-informed CNNs based on DNS [1.6274397329511197]
  本稿では,地質岩のマイクロCTによる透水率予測手法を提案する。 透過性予測専用のCNNのためのトレーニングデータセットは、古典格子ボルツマン法(LBM)によって通常生成される透過性ラベルからなる。 その代わりに、定常ストークス方程式を効率的かつ分散並列に解き、直接数値シミュレーション(DNS)を行う。
  論文  参考訳（メタデータ） (2021-09-04T08:43:19Z)
• A Point-Cloud Deep Learning Framework for Prediction of Fluid Flow Fields on Irregular Geometries [62.28265459308354]
  ネットワークは空間位置とCFD量のエンドツーエンドマッピングを学習する。 断面形状の異なるシリンダーを過ぎる非圧縮層状定常流を考察する。 ネットワークは従来のCFDの数百倍の速さで流れ場を予測する。
  論文  参考訳（メタデータ） (2020-10-15T12:15:02Z)

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。