論文の概要: Field-level weak lensing cosmology with $<100$ simulations using multifidelity simulation-based inference

• arxiv url: http://arxiv.org/abs/2606.23346v1
• Date: Mon, 22 Jun 2026 13:51:03 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-06-24 20:29:42.162467
• Title: Field-level weak lensing cosmology with $<100$ simulations using multifidelity simulation-based inference
• Title（参考訳）: 多面体シミュレーションを用いた$<100$シミュレーションによるフィールドレベルの弱レンズ宇宙論
• Authors: Alex A. Saoulis, Kiyam Lin, Niall Jeffrey, Maximilian von Wietersheim-Kramsta, Davide Piras, Alessio Spurio Mancini, Ana M. G. Ferreira, Benjamin Joachimi,
• Abstract要約: 我々は,フィールドレベルのニューラル圧縮とシミュレーションに基づく推論を用いて,現実的なKiDS-Legacyモック解析を行う。 弱いレンズのせん断場は、標準的な2点要約統計よりもかなり多くの宇宙情報をエンコードする。 60ドル～100ドル程度の高忠実度シミュレーションは、情報的・校正された宇宙論的な後部を得るのに十分であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We perform a realistic KiDS-Legacy mock analysis with field-level neural compression and simulation-based inference using fewer than 100 $N$-body simulations. The weak lensing shear field encodes substantially more cosmological information than standard two-point summary statistics such as the power spectrum. Field-level inference can fully exploit this information, but physical realism at the field-level requires very high-fidelity simulations. This poses a major challenge for simulation-based inference (SBI): accurate empirical density modelling and deep-learning-based neural compression require many training simulations, but achieving physical realism at the field level makes each simulation extremely costly. We demonstrate that multifidelity SBI can alleviate this tension by substantially reducing the number of high-fidelity simulations needed for accurate cosmological inference. We pre-train neural inference models on realistic KiDS-Legacy-like shear mocks using fast log-normal GLASS simulations and fine-tune them on a small set of high-fidelity $N$-body simulations. We show that between $60$-$100$ high-fidelity simulations are sufficient to obtain informative and well-calibrated cosmological posteriors, enabling an order-of-magnitude reduction in simulation cost for accurate field-level inference in a realistic setting.
• Abstract（参考訳）: フィールドレベルのニューラル圧縮とシミュレーションに基づく推論を用いて,100ドル以下のシミュレーションを用いて,現実的なKiDS-Legacyモック解析を行う。 弱いレンズのせん断場は、パワースペクトルのような標準的な2点要約統計よりもかなり多くの宇宙学的情報を符号化する。 フィールドレベルの推論はこの情報を十分に活用することができるが、フィールドレベルの物理リアリズムは非常に高い忠実度シミュレーションを必要とする。 正確な経験的密度モデリングとディープラーニングに基づくニューラル圧縮は、多くのトレーニングシミュレーションを必要とするが、フィールドレベルで物理的リアリズムを達成することは、各シミュレーションを非常にコストがかかる。 宇宙論の正確な推論に必要な高忠実度シミュレーションの数を著しく削減することで、多忠実度SBIはこの緊張を緩和できることを示す。 我々は,高速なログ正規GLASSシミュレーションを用いて,現実的なKiDS-Legacyライクなせん断モック上でのニューラル推論モデルを事前訓練し,それらを高忠実度$N$ボディシミュレーションの小さなセットで微調整する。 我々は,60ドル～100ドル程度の高忠実度シミュレーションにより,情報的かつよく校正された宇宙後部を得られることを示し,現実的な条件下での精度の高い場レベルの推論において,シミュレーションコストのオーダー・オブ・マグニチュード低減を実現する。

関連論文リスト

• SimBench: Benchmarking the Ability of Large Language Models to Simulate Human Behaviors [58.87134689752605]
  我々は,LLMシミュレーションの堅牢で再現可能な科学のための,最初の大規模標準ベンチマークであるSimBenchを紹介する。 現在、最高のLLMでさえシミュレーション能力が限られ(スコア: 40.80/100)、性能はモデルサイズと対数的にスケールする。 シミュレーション能力は、深い知識集約的推論と最も強く相関していることを示す。
  論文  参考訳（メタデータ） (2025-10-20T13:14:38Z)
• Transfer learning for multifidelity simulation-based inference in cosmology [0.0]
  ダークマターのみのN$-bodyシミュレーションの事前トレーニングは、高忠実度流体力学シミュレーションの必要な回数を8ドルから15ドルに削減する。 より安価なシミュレーションを活用することで,計算コストを大幅に削減しつつ,高忠実度モデルの性能と高精度な推論を可能にする。
  論文  参考訳（メタデータ） (2025-05-27T14:04:30Z)
• Multifidelity Simulation-based Inference for Computationally Expensive Simulators [7.065679767112407]
  MF-(TS)NPEは、トランスファーラーニングを用いて安価な低忠実度シミュレーションを利用する、神経後部推定のための多忠実なアプローチである。 A-MF-TSNPEは,密度推定器の予測不確かさを目標とした取得関数を用いた逐次変種である。
  論文  参考訳（メタデータ） (2025-02-12T13:59:22Z)
• GausSim: Foreseeing Reality by Gaussian Simulator for Elastic Objects [55.02281855589641]
  GausSimは、ガウスカーネルを通して表現される現実の弾性物体の動的挙動をキャプチャするために設計された、ニューラルネットワークベースの新しいシミュレータである。 我々は連続体力学を活用し、各カーネルを連続体を表すCenter of Mass System (CMS)として扱う。 さらに、ガウスシムは質量や運動量保存のような明示的な物理制約を取り入れ、解釈可能な結果と堅牢で物理的に妥当なシミュレーションを確実にする。
  論文  参考訳（メタデータ） (2024-12-23T18:58:17Z)
• Cosmological Analysis with Calibrated Neural Quantile Estimation and Approximate Simulators [0.0]
  我々は,多数の近似シミュレーションをトレーニングに利用し,少数の高忠実度シミュレーションをキャリブレーションに利用した新しいシミュレーションベース推論(SBI)手法を提案する。 概念の証明として、2次元暗黒物質密度写像から、z=0$で$k_rm maxsim1.5,h$/Mpcまでの距離で宇宙的パラメータを推定できることが示される。 キャリブレーション後部は、$sim104$ expensive Particle-Particle (PP) シミュレーションの直接トレーニングにより得られたものとよく一致するが、計算コストのごく一部で一致する。
  論文  参考訳（メタデータ） (2024-11-22T05:53:46Z)
• Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
  多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。 本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。 疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
  論文  参考訳（メタデータ） (2022-06-10T04:54:13Z)

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。