論文の概要: Self-supervised Synthetic Pretraining for Inference of Stellar Mass Embedded in Dense Gas

• arxiv url: http://arxiv.org/abs/2510.24159v1
• Date: Tue, 28 Oct 2025 07:55:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.8953
• Title: Self-supervised Synthetic Pretraining for Inference of Stellar Mass Embedded in Dense Gas
• Title（参考訳）: 密度ガス中に埋没したステラー質量推定のための自己教師付き合成前処理
• Authors: Keiya Hirashima, Shingo Nozaki, Naoto Harada,
• Abstract要約: 機械学習は複雑な構造を恒星質量に結びつけることができるが、高解像度のシミュレーションから、大きな高品質のラベル付きデータセットを必要とする。 自己教師型フレームワークDINOv2を用いて,100万枚の合成フラクタル画像上に視覚変換器を事前学習することにより,この問題に対処する。 以上の結果から, 合成プレトレーニングは, 同じ限られたシミュレーションでトレーニングした教師付きモデルよりも, 若干の精度で, 凍結状態の回帰星質量予測を改善することが示唆された。
• 参考スコア（独自算出の注目度）: 0.1753733541634709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stellar mass is a fundamental quantity that determines the properties and evolution of stars. However, estimating stellar masses in star-forming regions is challenging because young stars are obscured by dense gas and the regions are highly inhomogeneous, making spherical dynamical estimates unreliable. Supervised machine learning could link such complex structures to stellar mass, but it requires large, high-quality labeled datasets from high-resolution magneto-hydrodynamical (MHD) simulations, which are computationally expensive. We address this by pretraining a vision transformer on one million synthetic fractal images using the self-supervised framework DINOv2, and then applying the frozen model to limited high-resolution MHD simulations. Our results demonstrate that synthetic pretraining improves frozen-feature regression stellar mass predictions, with the pretrained model performing slightly better than a supervised model trained on the same limited simulations. Principal component analysis of the extracted features further reveals semantically meaningful structures, suggesting that the model enables unsupervised segmentation of star-forming regions without the need for labeled data or fine-tuning.
• Abstract（参考訳）: 恒星質量は、恒星の性質と進化を決定する基本的な量である。 しかし、星形成領域における恒星質量の推定は、若い恒星が高密度のガスによって隠蔽され、その領域は高度に不均一であり、球状力学推定が信頼できないため困難である。 機械学習はそのような複雑な構造を恒星質量に結びつけることができるが、計算コストの高い高分解能磁気流体力学(MHD)シミュレーションによる大きな高品質なラベル付きデータセットを必要とする。 自己教師型フレームワークDINOv2を用いて100万個の合成フラクタル画像上に視覚変換器を事前学習し, 凍結モデルを適用して高分解能MHDシミュレーションを行う。 以上の結果から, 合成プレトレーニングは, 同じ限られたシミュレーションでトレーニングした教師付きモデルよりも, 若干の精度で, 凍結状態の回帰星質量予測を改善することが示唆された。 抽出された特徴の主成分分析により意味的な構造が明らかになり、ラベル付きデータや微調整を必要とせずに星形成領域の教師なしセグメンテーションが可能になることが示唆された。

関連論文リスト

• Score Matching on Large Geometric Graphs for Cosmology Generation [14.637236070358588]
  宇宙論における銀河の重力クラスタリングをシミュレートする等変グラフニューラルネットワークを用いたスコアベース生成モデルを提案する。 提案した同変スコアベースモデルでは,60,000halosまでの本格的な宇宙論的な点雲の生成に成功した。 この研究は、構造形成の基盤となる重力クラスターと密接に類似するように設計された生成モデルを導入することで進展する。
  論文  参考訳（メタデータ） (2025-08-23T11:08:06Z)
• STAR: A Benchmark for Astronomical Star Fields Super-Resolution [52.895107920663236]
  54,738個のフラックス一貫性の星体画像対を含む大規模SRデータセットSTARを提案する。 本稿では,Flux-Invariant Super Resolution (FISR)モデルを提案する。
  論文  参考訳（メタデータ） (2025-07-22T09:28:28Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• ASURA-FDPS-ML: Star-by-star Galaxy Simulations Accelerated by Surrogate Modeling for Supernova Feedback [0.7324709841516586]
  代理モデルによって加速される新しい高分解能銀河シミュレーションを導入し、計算コストを約75%削減する。 Zero Age Main Sequence mass of about 10 $mathrmM_odot$ explosion as core-collapse supernovae (CCSNe) 計算コストを削減し,物理スケールギャップを効果的に橋渡しし,マルチスケールシミュレーションを可能にする。
  論文  参考訳（メタデータ） (2024-10-30T18:00:02Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• Predicting Localized Primordial Star Formation with Deep Convolutional Neural Networks [0.0]
  本研究では、3次元深部畳み込みニューラルネットワークを原始星の形成とフィードバック効果の高速な代理モデルとして適用することを検討した。 本稿では,局所主星形成を予測するための代理モデルについて述べる。 我々の知る限り、これは高解像度の宇宙シミュレーションと一致する原始星形成領域を予測できる最初のモデルである。
  論文  参考訳（メタデータ） (2020-11-02T22:32:27Z)
• Embedded-physics machine learning for coarse-graining and collective variable discovery without data [3.222802562733787]
  基礎となる物理を一貫して組み込む新しい学習フレームワークを提案する。 原子間力場の形で利用可能な物理学を完全に組み込んだ逆クルバック・リーブラー分岐に基づく新しい目的を提案する。 本研究は,バイモーダルポテンシャルエネルギー関数とアラニンジペプチドに対するCVの予測能力および物理的意義の観点からアルゴリズムの進歩を実証する。
  論文  参考訳（メタデータ） (2020-02-24T10:28:41Z)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。