論文の概要: Inductive Biases in Field-Level Cosmological Inference from Galaxy Catalogs
- arxiv url: http://arxiv.org/abs/2609.09504v1
- Date: Tue, 08 Sep 2026 22:38:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.832295
- Title: Inductive Biases in Field-Level Cosmological Inference from Galaxy Catalogs
- Title（参考訳）: 銀河カタログからのフィールドレベル宇宙論的推論における誘導バイアス
- Abstract要約: 我々は、シミュレーションされた銀河カタログから物質密度パラメータ$_m$のフィールドレベル確率自由推定を行う。
我々は銀河の位置と視線特異速度を別々に、共同で検討し、置換不変ディープセットとグラフニューラルネットワークを比較した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We perform field-level likelihood-free inference of the matter density parameter $Ω_m$ from simulated galaxy catalogs using machine learning models with differing inductive biases. Using hydrodynamic simulations from CAMELS, we examine how observable choice and architecture govern cosmological information extraction. We consider galaxy positions and line-of-sight peculiar velocities, separately and jointly, and compare permutation-invariant Deep Sets, implemented with either multilayer perceptrons (MLPs) or Kolmogorov-Arnold Networks (KANs), to graph neural networks (GNNs), which explicitly encode spatial relations. We test in-distribution and out-of-distribution (OOD) performance across simulations with different subgrid galaxy-formation prescriptions. Deep Sets infer $Ω_m$ from velocities alone with mean relative errors of approximately $18\%$ in-distribution and $\sim25\%$ OOD, with KANs and MLPs achieving comparable performance. In contrast, the same set-based approach does not yield useful $σ_8$ predictions in either in-distribution or cross-suite tests. Adding positions does not improve Deep Sets, while GNNs infer $Ω_m$ with mean relative errors of about $10\%$ in-distribution and $10$--$17\%$ OOD. These results indicate that peculiar velocities provide the dominant source of $Ω_m$ information for set-based models in this setting, while spatial information is most effectively used by architectures that explicitly encode galaxy-galaxy relations. Because the velocity inputs are exact simulated peculiar velocities, applications to survey data will require validation under realistic velocity-measurement noise, selection effects, and survey geometry.
- Abstract（参考訳）: 我々は、誘導バイアスの異なる機械学習モデルを用いて、模擬銀河カタログから物質密度パラメータ$Ω_m$のフィールドレベル確率自由推論を行う。
CAMELSの流体力学シミュレーションを用いて、観測可能な選択とアーキテクチャが宇宙情報抽出をどのように管理するかを検討する。
本研究では,多層パーセプトロン (MLPs) あるいはコルモゴロフ・アルノルドネットワーク (KANs) で実装された置換不変のディープセットを,空間関係を明示的に符号化したグラフニューラルネットワーク (GNNs) と比較する。
サブグリッド銀河形成法を応用したシミュレーションにおいて,分布内分布と分布外分布(OOD)性能を検証した。
Deep Sets infer $Ω_m$ from velocities alone with mean relative error about 18\%$ in-distribution and $\sim25\%$ OOD, with Kans and MLPs achieved comparable performance。
対照的に、同じ集合ベースのアプローチは、分配テストまたはクロススーツテストにおいて有用な$σ_8$予測を得られない。
ポジションの追加はDeep Setsを改善するものではないが、GNNは平均相対誤差が約10\%$ in-distributionと10$---$ 17\%$ OODで$Ω_m$を推論する。
これらの結果から,銀河系-銀河系関係を明示的にエンコードするアーキテクチャでは空間情報が最も有効であるのに対し,特異速度はセットベースモデルに対して$Ω_m$の情報の主要な供給源となることが示唆された。
速度入力は、正確にシミュレーションされた特異な速度であるため、データ調査には、現実的な速度測定ノイズ、選択効果、および測量幾何学の下での検証が必要である。
関連論文リスト
- Adaptive $k$ Nearest Neighbors Classifier via Granular Ball Computing [60.23863579199315]
k$-Nearest Neighbor(KNN)アルゴリズムは様々なタスクで広く使われている。
本稿では,粒度計算による適応的かつ効率的なKNN手法を提案する。
論文 参考訳（メタデータ） (2026-08-13T07:39:46Z) - Galaxy Phase-Space and Field-Level Cosmology: The Strength of Semi-Analytic Models [0.0]
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。
論文 参考訳（メタデータ） (2025-12-11T02:13:38Z) - MDNS: Masked Diffusion Neural Sampler via Stochastic Optimal Control [48.504188275208556]
ニューラルサンプリングを学習して離散状態空間からサンプルを生成する問題について検討し、ターゲット確率質量関数 $piproptomathrme-U$ が正規化定数まで知られている。
我々は,学習目的のファミリーを通じて測定値を調整することで,離散型ニューラルサンプリングのための新しいフレームワークである$textbfM$asked $textbfDiffusionを提案する。
論文 参考訳（メタデータ） (2025-08-14T14:27:16Z) - IAEmu: Learning Galaxy Intrinsic Alignment Correlations [16.805775045014578]
IAEmuは、銀河の位置(xi$)、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$をキャプチャする。
IAEmuは銀河バイアスとIA研究のための強力な代理モデルであり、ステージIVの弱いレンズ調査に直接応用されている。
論文 参考訳（メタデータ） (2025-04-07T16:19:50Z) - Exploiting Pre-trained Models for Drug Target Affinity Prediction with Nearest Neighbors [58.661454334877256]
薬物-標的結合親和性(DTA)予測は、薬物発見に不可欠である。
DTA予測へのディープラーニング手法の適用にもかかわらず、達成された精度は依然として準最適である。
事前学習したDTA予測モデルに適用した非表現埋め込みに基づく検索手法である$k$NN-DTAを提案する。
論文 参考訳（メタデータ） (2024-07-21T15:49:05Z) - Learning Galaxy Intrinsic Alignment Correlations [16.805775045014578]
銀河の内在的なアライメント(IA)は、重力潮流相互作用と銀河形成過程による銀河の形状の相関を表す。
本研究では,銀河の位置,位置配向,方向配向相関関数の測定と不確かさをエミュレートする深層学習手法を提案する。
論文 参考訳（メタデータ） (2024-04-21T16:16:56Z) - E(2) Equivariant Neural Networks for Robust Galaxy Morphology
Classification [0.0]
我々は、Galaxy10 DECalsデータセット上で$E(2)$の離散サブグループに同値なGCNNを訓練し、検証し、テストする。
D_16$に同値なアーキテクチャは、テストセットの精度が9,5.52 pm 0.18%である。
全てのGCNNは、同一に構築されたCNNよりも1ピクセルの摂動の影響を受けにくい。
論文 参考訳（メタデータ） (2023-11-02T18:00:02Z) - 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) - Inverting brain grey matter models with likelihood-free inference: a
tool for trustable cytoarchitecture measurements [62.997667081978825]
脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。
我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。
次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
論文 参考訳（メタデータ） (2021-11-15T09:08:27Z) - 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) - Quantum Algorithms for Simulating the Lattice Schwinger Model [63.18141027763459]
NISQとフォールトトレラントの両方の設定で格子シュウィンガーモデルをシミュレートするために、スケーラブルで明示的なデジタル量子アルゴリズムを提供する。
格子単位において、結合定数$x-1/2$と電場カットオフ$x-1/2Lambda$を持つ$N/2$物理サイト上のシュウィンガーモデルを求める。
NISQと耐故障性の両方でコストがかかるオブザーバブルを、単純なオブザーバブルとして推定し、平均ペア密度を推定する。
論文 参考訳（メタデータ） (2020-02-25T19:18:36Z)
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。