論文の概要: Galaxy Phase-Space and Field-Level Cosmology: The Strength of Semi-Analytic Models

• arxiv url: http://arxiv.org/abs/2512.10222v1
• Date: Thu, 11 Dec 2025 02:13:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-12 16:15:42.16443
• Title: Galaxy Phase-Space and Field-Level Cosmology: The Strength of Semi-Analytic Models
• Title（参考訳）: 銀河相空間とフィールドレベル宇宙論:半解析モデルの強さ
• Authors: Natalí S. M. de Santi, Francisco Villaescusa-Navarro, Pablo Araya-Araya, Gabriella De Lucia, Fabio Fontanot, Lucia A. Perez, Manuel Arnés-Curto, Violeta Gonzalez-Perez, Ángel Chandro-Gómez, Rachel S. Somerville, Tiago Castro,
• Abstract要約: 半分析モデルは、宇宙論的な枠組みの中で銀河の性質をシミュレートするために広く用いられている。 我々は、モーメントニューラルネットワークに結合したグラフニューラルネットワークをトレーニングし、物質密度パラメータを推定するための堅牢な機械学習ベースモデルを得る。 以上の結果から,このネットワークは宇宙物理・サブグリッド物理,宇宙物理・天体物理パラメータ,およびシミュレーションで用いられるハロパク処理の変動に頑健であることが示唆された。
• 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: Semi-analytic models are a widely used approach to simulate galaxy properties within a cosmological framework, relying on simplified yet physically motivated prescriptions. They have also proven to be an efficient alternative for generating accurate galaxy catalogs, offering a faster and less computationally expensive option compared to full hydrodynamical simulations. In this paper, we demonstrate that using only galaxy $3$D positions and radial velocities, we can train a graph neural network coupled to a moment neural network to obtain a robust machine learning based model capable of estimating the matter density parameters, $Ω_{\rm m}$, with a precision of approximately 10%. The network is trained on ($25 h^{-1}$Mpc)$^3$ volumes of galaxy catalogs from L-Galaxies and can successfully extrapolate its predictions to other semi-analytic models (GAEA, SC-SAM, and Shark) and, more remarkably, to hydrodynamical simulations (Astrid, SIMBA, IllustrisTNG, and SWIFT-EAGLE). Our results show that the network is robust to variations in astrophysical and subgrid physics, cosmological and astrophysical parameters, and the different halo-profile treatments used across simulations. This suggests that the physical relationships encoded in the phase-space of semi-analytic models are largely independent of their specific physical prescriptions, reinforcing their potential as tools for the generation of realistic mock catalogs for cosmological parameter inference.
• Abstract（参考訳）: セミアナリシスモデル(英: Semi-analytic model)は、宇宙論的な枠組みの中で銀河の性質をシミュレートするために広く用いられるアプローチである。 また、正確な銀河カタログを生成するための効率的な代替手段であることが証明されており、完全な流体力学シミュレーションよりも高速で計算コストの低い選択肢を提供している。 本稿では,銀河の3ドルD位置と放射速度のみを用いて,モーメントニューラルネットワークに結合したグラフニューラルネットワークをトレーニングし,物質密度パラメータを推定可能な頑健な機械学習ベースモデル,Ω_{\rm m}$を約10%精度で取得できることを実証する。 このネットワークはL-Galaxiesから25h^{-1}$Mpc)$^3$の銀河カタログをトレーニングし、その予測を他の半解析モデル(GAEA、SC-SAM、Shark)や流体力学シミュレーション(Astrid、SIMBA、IllustrisTNG、SWIFT-EAGLE)に外挿することに成功した。 以上の結果から,このネットワークは宇宙物理・サブグリッド物理,宇宙物理・天体物理パラメータ,およびシミュレーションで用いられるハロパク処理の変動に頑健であることが示唆された。 このことは、半解析モデルの位相空間に符号化された物理関係が、その特定の物理処方薬に大きく依存していることを示し、宇宙パラメータ推論のための現実的なモックカタログを生成するためのツールとしての可能性を強化することを示唆している。

関連論文リスト

• IAEmu: Learning Galaxy Intrinsic Alignment Correlations [16.805775045014578]
  IAEmuは、銀河の位置(xi$)、位置指向(omega$)、方向指向(eta$)相関関数を予測するニューラルネットワークベースのエミュレータである。 シミュレーションと比較すると、IAEmuは平均エラーを$xi$で3%、omega$で5%、オーバーフィッティングなしで$eta$をキャプチャする。 IAEmuは銀河バイアスとIA研究のための強力な代理モデルであり、ステージIVの弱いレンズ調査に直接応用されている。
  論文  参考訳（メタデータ） (2025-04-07T16:19:50Z)
• 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)
• CHARM: Creating Halos with Auto-Regressive Multi-stage networks [1.6987257996124416]
  CHARMは、モックハローカタログを作成するための新しい方法である。 モックハローカタログと塗装された銀河カタログは、実空間と赤方偏移空間の両方でN$ボディシミュレーションから得られたのと同じ統計特性を持つことを示す。
  論文  参考訳（メタデータ） (2024-09-13T18:00:06Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Robust Field-level Likelihood-free Inference with Galaxies [0.0]
  我々は、CAMELSプロジェクトの最先端の流体力学シミュレーションから銀河カタログを用いて、グラフニューラルネットワークを訓練し、フィールドレベル確率自由推論を行う。 我々のモデルは回転、翻訳、置換不変であり、スケールにいかなるカットも課さない。 我々のモデルは、天体物理学、サブグリッド物理学、およびサブハロ/ガラクシーファインダーの変化に対して堅牢であることがわかった。
  論文  参考訳（メタデータ） (2023-02-27T19:26:13Z)
• Satellite galaxy abundance dependency on cosmology in Magneticum simulations [101.18253437732933]
  宇宙論的パラメータに基づく衛星量のエミュレータを構築した。 A$ と $beta$ はたとえ弱いとしても、宇宙的パラメータに依存する。 また、衛星の宇宙論の依存性は、フル物理シミュレーション(FP)、ダークマターシミュレーション(DMO)、非放射性シミュレーション(非放射性シミュレーション)の違いも示している。
  論文  参考訳（メタデータ） (2021-10-11T18:00:02Z)

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。