論文の概要: Dark Energy Survey Year 3 results: Simulation-based $w$CDM inference from weak lensing and galaxy clustering maps with deep learning. I. Analysis design

• arxiv url: http://arxiv.org/abs/2511.04681v1
• Date: Thu, 06 Nov 2025 18:59:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.584563
• Title: Dark Energy Survey Year 3 results: Simulation-based $w$CDM inference from weak lensing and galaxy clustering maps with deep learning. I. Analysis design
• Title（参考訳）: ダークエネルギー調査3年の結果:弱いレンズと深層学習による銀河団地図からのシミュレーションに基づく$w$CDMの推測 I. 解析設計
• Authors: A. Thomsen, J. Bucko, T. Kacprzak, V. Ajani, J. Fluri, A. Refregier, D. Anbajagane, F. J. Castander, A. Ferté, M. Gatti, N. Jeffrey, A. Alarcon, A. Amon, K. Bechtol, M. R. Becker, G. M. Bernstein, A. Campos, A. Carnero Rosell, C. Chang, R. Chen, A. Choi, M. Crocce, C. Davis, J. DeRose, S. Dodelson, C. Doux, K. Eckert, J. Elvin-Poole, S. Everett, P. Fosalba, D. Gruen, I. Harrison, K. Herner, E. M. Huff, M. Jarvis, N. Kuropatkin, P. -F. Leget, N. MacCrann, J. McCullough, J. Myles, A. Navarro-Alsina, S. Pandey, A. Porredon, J. Prat, M. Raveri, M. Rodriguez-Monroy, R. P. Rollins, A. Roodman, E. S. Rykoff, C. Sánchez, L. F. Secco, E. Sheldon, T. Shin, M. A. Troxel, I. Tutusaus, T. N. Varga, N. Weaverdyck, R. H. Wechsler, B. Yanny, B. Yin, Y. Zhang, J. Zuntz, S. Allam, F. Andrade-Oliveira, D. Bacon, J. Blazek, D. Brooks, R. Camilleri, J. Carretero, R. Cawthon, L. N. da Costa, M. E. da Silva Pereira, T. M. Davis, J. De Vicente, S. Desai, P. Doel, J. García-Bellido, G. Gutierrez, S. R. Hinton, D. L. Hollowood, K. Honscheid, D. J. James, K. Kuehn, O. Lahav, S. Lee, J. L. Marshall, J. Mena-Fernández, F. Menanteau, R. Miquel, J. Muir, R. L. C. Ogando, A. A. Plazas Malagón, E. Sanchez, D. Sanchez Cid, I. Sevilla-Noarbe, M. Smith, E. Suchyta, M. E. C. Swanson, D. Thomas, C. To, D. L. Tucker,
• Abstract要約: この研究は、弱いレンズと銀河団地図を組み合わせた最初のシミュレーションベース推論(SBI)パイプラインを示す。 我々は、DES Y3の100万以上の自己整合モック実現を実現するために、N体シミュレーションのCosmoGridV1スイートに基づくスケーラブルなフォワードモデルを開発した。 我々は、球形形状における全サーベイフットプリント上の深部グラフ畳み込みニューラルネットワークを訓練し、ターゲットパラメータの相互情報をほぼ最大化する低次元特徴を学習する。
• 参考スコア（独自算出の注目度）: 0.2854985824260583
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven approaches using deep learning are emerging as powerful techniques to extract non-Gaussian information from cosmological large-scale structure. This work presents the first simulation-based inference (SBI) pipeline that combines weak lensing and galaxy clustering maps in a realistic Dark Energy Survey Year 3 (DES Y3) configuration and serves as preparation for a forthcoming analysis of the survey data. We develop a scalable forward model based on the CosmoGridV1 suite of N-body simulations to generate over one million self-consistent mock realizations of DES Y3 at the map level. Leveraging this large dataset, we train deep graph convolutional neural networks on the full survey footprint in spherical geometry to learn low-dimensional features that approximately maximize mutual information with target parameters. These learned compressions enable neural density estimation of the implicit likelihood via normalizing flows in a ten-dimensional parameter space spanning cosmological $w$CDM, intrinsic alignment, and linear galaxy bias parameters, while marginalizing over baryonic, photometric redshift, and shear bias nuisances. To ensure robustness, we extensively validate our inference pipeline using synthetic observations derived from both systematic contaminations in our forward model and independent Buzzard galaxy catalogs. Our forecasts yield significant improvements in cosmological parameter constraints, achieving $2-3\times$ higher figures of merit in the $\Omega_m - S_8$ plane relative to our implementation of baseline two-point statistics and effectively breaking parameter degeneracies through probe combination. These results demonstrate the potential of SBI analyses powered by deep learning for upcoming Stage-IV wide-field imaging surveys.
• Abstract（参考訳）: 深層学習を用いたデータ駆動型アプローチは、宇宙学的な大規模構造から非ガウス的な情報を抽出する強力な手法として登場しつつある。 この研究は、弱いレンズと銀河団マップをリアルなダークエネルギーサーベイイヤー3(DES Y3)構成で組み合わせた最初のシミュレーションベース推論(SBI)パイプラインを示し、今後の調査データ分析の準備に役立てる。 我々は,N体シミュレーションのCosmoGridV1スイートに基づくスケーラブルなフォワードモデルを開発し,地図レベルでのDES Y3の自己整合モック化を100万以上生成する。 この大きなデータセットを活用することで、球形幾何学における全サーベイフットプリント上のディープグラフ畳み込みニューラルネットワークをトレーニングし、ターゲットパラメータとの相互情報をほぼ最大化する低次元の特徴を学習する。 これらの学習圧縮により、宇宙論的な$w$CDM、本質的なアライメント、線形銀河バイアスパラメータにまたがる10次元パラメータ空間のフローを正規化することで、暗黙の確率をニューラルネットワークで推定できる。 頑健性を確保するため,フォワードモデルと独立系バザード銀河カタログの系統的な汚染から得られた合成観測を用いて,我々の推論パイプラインを広範囲に検証した。 我々の予測は宇宙論的なパラメータの制約を大幅に改善し、基礎となる2点統計の実施に対して$\Omega_m - S_8$平面で2-3\times$以上のメリットを達成し、プローブ結合によるパラメータの退化を効果的に破壊する。 これらの結果から,深層学習によるSBI分析の可能性が示唆された。

関連論文リスト

• Bayesian Inference of Primordial Magnetic Field Parameters from CMB with Spherical Graph Neural Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2025-10-23T17:56:04Z)
• Follow the Energy, Find the Path: Riemannian Metrics from Energy-Based Models [63.331590876872944]
  本稿では,事前学習したエネルギーベースモデルから直接リーマン計量を導出する手法を提案する。 これらの測度は空間的に異なる距離を定義し、測地学の計算を可能にする。 EBM由来のメトリクスは、確立されたベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-05-23T12:18:08Z)
• Diffusion posterior sampling for simulation-based inference in tall data settings [53.17563688225137]
  シミュレーションベース推論(SBI)は、入力パラメータを所定の観測に関連付ける後部分布を近似することができる。 本研究では、モデルのパラメータをより正確に推測するために、複数の観測値が利用できる、背の高いデータ拡張について考察する。 提案手法を,最近提案した各種数値実験の競合手法と比較し,数値安定性と計算コストの観点から,その優位性を実証した。
  論文  参考訳（メタデータ） (2024-04-11T09:23:36Z)
• Fast emulation of cosmological density fields based on dimensionality reduction and supervised machine-learning [0.0]
  簡単な機械学習手法を用いて,高速暗黒物質密度場エミュレーションを競合精度で実行可能であることを示す。 異なる宇宙パラメータに対する新しい密度立方体は、新しいN体シミュレーションに直接頼らずに推定できる。
  論文  参考訳（メタデータ） (2023-04-12T18:29:26Z)
• Machine Learning and Polymer Self-Consistent Field Theory in Two Spatial Dimensions [0.491574468325115]
  深層学習を伴う自己整合場理論シミュレーションのデータを活用する計算フレームワークを提案する。 サドル点, 局所平均モノマー密度場を効率よく正確に予測するために, GAN(Generative Adversarial Network)を導入した。 このGANアプローチは、メモリと計算コストの両方を節約する。
  論文  参考訳（メタデータ） (2022-12-16T04:30:16Z)
• Cosmology from Galaxy Redshift Surveys with PointNet [65.89809800010927]
  宇宙論において、銀河赤方偏移サーベイは、宇宙における位置の置換不変な集まりに類似している。 我々は、ポイントクラウドデータから直接、宇宙パラメータの値を回帰するために、textitPointNetのようなニューラルネットワークを使用します。 我々のPointNetsの実装は、$mathcalO(104) - MathcalO(105)$銀河の入力を一度に分析できるので、この応用の初期の作業は、およそ2桁の精度で改善される。
  論文  参考訳（メタデータ） (2022-11-22T15:35:05Z)
• GraphCSPN: Geometry-Aware Depth Completion via Dynamic GCNs [49.55919802779889]
  本稿では,グラフ畳み込みに基づく空間伝搬ネットワーク(GraphCSPN)を提案する。 本研究では、幾何学的表現学習において、畳み込みニューラルネットワークとグラフニューラルネットワークを相補的に活用する。 提案手法は,数段の伝搬ステップのみを使用する場合と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-10-19T17:56:03Z)
• 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)
• Probabilistic Mass Mapping with Neural Score Estimation [4.079848600120986]
  弱レンズ質量マッピング問題の高次元ベイズ後方の効率的なサンプリング法を提案する。 本手法の精度をシミュレーションで実証し,HST/ACS COSMOSフィールドの大量再構成に適用する。
  論文  参考訳（メタデータ） (2022-01-14T17:07:48Z)
• Pseudo RGB-D for Self-Improving Monocular SLAM and Depth Prediction [72.30870535815258]
  モノクロ深度予測のためのCNNは、周囲の環境の3Dマップを構築するための2つの大きく不連続なアプローチを表している。 本稿では,CNN予測深度を利用してRGB-D特徴量に基づくSLAMを行う,狭義の広義の自己改善フレームワークを提案する。 一方、より原理化された幾何学的SLAMの3次元シーン構造とカメラポーズは、新しい広義のベースライン損失により奥行きネットワークに注入される。
  論文  参考訳（メタデータ） (2020-04-22T16:31:59Z)

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。