論文の概要: Variational Autoencoder with Normalizing flow for X-ray spectral fitting
- arxiv url: http://arxiv.org/abs/2601.07440v1
- Date: Mon, 12 Jan 2026 11:28:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-13 19:08:01.360541
- Title: Variational Autoencoder with Normalizing flow for X-ray spectral fitting
- Title（参考訳）: X線スペクトルフィッティングのための正規化フロー付き変分オートエンコーダ
- Authors: Fiona Redmen, Ethan Tregidga, James F. Steiner, Cecilia Garraffo,
- Abstract要約: ブラックホールX線バイナリ(BHBs)は、極度の重力環境における降着に関する物理的制約を与えるためにスペクトルフィッティングを用いて研究することができる。
本稿では,正規化フローを持つ変分オートエンコーダを用いて,物理的潜在空間の採用を訓練した確率モデルを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Black hole X-ray binaries (BHBs) can be studied with spectral fitting to provide physical constraints on accretion in extreme gravitational environments. Traditional methods of spectral fitting such as Markov Chain Monte Carlo (MCMC) face limitations due to computational times. We introduce a probabilistic model, utilizing a variational autoencoder with a normalizing flow, trained to adopt a physical latent space. This neural network produces predictions for spectral-model parameters as well as their full probability distributions. Our implementations result in a significant improvement in spectral reconstructions over a previous deterministic model while performing three orders of magnitude faster than traditional methods.
- Abstract（参考訳）: ブラックホールX線バイナリ(BHBs)は、極度の重力環境における降着に関する物理的制約を与えるためにスペクトルフィッティングを用いて研究することができる。
マルコフ・チェイン・モンテカルロ(MCMC)のような伝統的なスペクトルフィッティング法は、計算時間による制限に直面している。
本稿では,正規化フローを持つ変分オートエンコーダを用いて,物理的潜在空間の採用を訓練した確率モデルを提案する。
このニューラルネットワークは、スペクトルモデルパラメータの予測と、その全確率分布を生成する。
その結果,従来の手法よりも3桁高速なスペクトル再構成が可能となった。
関連論文リスト
- Overcoming Dimensional Factorization Limits in Discrete Diffusion Models through Quantum Joint Distribution Learning [79.65014491424151]
量子離散化拡散確率モデル(QD3PM)を提案する。
これは、指数関数的に大きなヒルベルト空間における拡散と denoising を通じて合同確率学習を可能にする。
本稿では,共同分布学習における量子的優位性を生かして,生成モデルの新たな理論的パラダイムを確立する。
論文 参考訳（メタデータ） (2025-05-08T11:48:21Z) - Physics-Informed Sylvester Normalizing Flows for Bayesian Inference in Magnetic Resonance Spectroscopy [13.797945335120056]
本研究は,代謝物濃度の後方分布を近似するために正規化フロー(SNF)を用いたベイズ推論フレームワークを導入する。
物理ベースのデコーダは、MSS信号生成の事前知識を取り入れ、現実的な分布表現を保証する。
論文 参考訳（メタデータ） (2025-05-06T14:50:14Z) - Holistic Physics Solver: Learning PDEs in a Unified Spectral-Physical Space [54.13671100638092]
Holistic Physics Mixer (HPM) は、スペクトルと物理情報を統一された空間に統合するためのフレームワークである。
我々はHPMが精度と計算効率の両面で最先端の手法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2024-10-15T08:19:39Z) - Efficient Measurement-Driven Eigenenergy Estimation with Classical Shadows [0.0]
マルチオブザーバブル・ダイナミックモード分解(MODMD)の枠組みを紹介する。
我々は、典型的なアダマールテスト回路を、低ランクの可観測性を予測するために設計されたプロトコルに置き換える。
我々の研究は、短期および早期の耐故障性量子デバイス上での測定駆動アルゴリズムを効率的に設計するための道を開く。
論文 参考訳（メタデータ） (2024-09-20T17:59:56Z) - Scaling and renormalization in high-dimensional regression [72.59731158970894]
リッジ回帰に関する最近の結果について統一的な視点を提示する。
我々は、物理とディープラーニングの背景を持つ読者を対象に、ランダム行列理論と自由確率の基本的なツールを使用する。
我々の結果は拡張され、初期のスケーリング法則のモデルについて統一的な視点を提供する。
論文 参考訳（メタデータ） (2024-05-01T15:59:00Z) - Invertible Low-Dimensional Modelling of X-ray Absorption Spectra for
Potential Applications in Spectral X-ray Imaging [0.0]
我々は、深層ニューラルネットワークオートエンコーダとSingular Value Decomposition(SVD)に基づく最適線形モデルを組み合わせた、新しい非線形モデルを提案する。
我々は従来のモデルよりも,特にKエッジを含むX線吸収スペクトルをエネルギー範囲でモデル化する場合に,本手法の利点を実証する。
論文 参考訳（メタデータ） (2023-07-10T11:14:19Z) - Differentiable Programming for Hyperspectral Unmixing using a
Physics-based Dispersion Model [9.96234892716562]
本稿では、スペクトル変動を物理に基づくアプローチから考慮し、エンドツーエンドのスペクトルアンミックスアルゴリズムに組み込む。
畳み込みニューラルネットワークを用いた逆レンダリング技術を導入し、トレーニングデータが利用可能な場合のパフォーマンスと速度を向上させる。
結果は、赤外線と近赤外(VNIR)データセットの両方で最先端を達成する。
論文 参考訳（メタデータ） (2020-07-12T14:16:35Z)
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。