Jul, 2017

深度学习用于宇宙学模型判别

PDF
TL;DR本研究展示了利用深度学习方法从密度场测量宇宙学参数的潜力，重点是提取非高斯信息。该研究使用弱引力透镜质量图像作为数据集，旨在设计和实现一个深度卷积神经网络，学习五种宇宙学模型与其生成的质量图之间的关系，并将其与常用的非高斯统计方法进行比较，表明该方法可以实现在高噪声环境下保持高效率，并有望应用于实际弱引力透镜数据的分析。
发现论文，激发创造
  • 深度学习驱动的改进宇宙学参数推断方案

    使用改进的 CNN 算法和基于峰值计数的易于理解方法，可以更好地估计弱引力透镜映射的余量参数和标准差，并提取更多的高阶统计信息，这在研究宇宙学和暗物质中非常有帮助。

    Jun, 2018

  • 使用 KiDS-450 弱引力透镜地图的深度学习进行宇宙学限制

    本文使用卷积神经网络 (Convolutional Neural Networks, CNN) 分析了 KiDS-450 力学弱引力透镜数据集中的弱引力透镜质量映射，得出了对宇宙的总物质密度，波动幅度以及内在对齐振幅的限制性结果，并与基于功率谱分析得出的结果进行了比较，证明了使用深度学习进行未来宇宙学数据分析的良好前景。

    Jun, 2019

  • 用卷积神经网络处理噪声数据进行弱引力透镜宇宙学

    利用卷积神经网络能够从弱引力透镜生成的汇聚度图中提取信息，比功率谱方法能够更加严格地约束宇宙学参数而且能够提取弱引力透镜地图中的非高斯信息。

    Feb, 2019

  • 基于贝叶斯深度学习的修正引力宇宙体积

    使用具有不确定性估计的贝叶斯神经网络从修改引力模拟中提取宇宙学参数，优于传统神经网络的精确预测和校准不确定性估计

    Sep, 2023

  • 神经得分估计的概率质量映射

    利用贝叶斯统计学、分析理论和基于神经得分匹配的深度生成模型的方法，构建一个高效的方法来进行弱引力透镜质量绘制，从而精确重建 HST/ACS COSMOS 领域的收敛地图。

    Jan, 2022

  • 用卷积网络研究从暗物质到星系

    本文提出使用深度学习将三维宇宙中星系分布与其背后的暗物质分布建立映射，以实现宇宙学模拟的快速计算。通过开发出的双层卷积神经网络结构生成的星系画像，相比于传统的宇宙学技术取得了更好的性能与准确性，并且与当前和未来的宇宙观测数据结合使用可以解决宇宙学中的一些基本问题。

    Feb, 2019

  • 宇宙黎明和再电离的 21 厘米断层摄影深度学习

    本文介绍了一种基于卷积神经网络深度学习的 21 厘米图像技术，以回复描述第一代星系 (Tvir、zeta、LX/SFR 和 E0) 的星系天文物理参数，其精确度达到 Monte Carlo Markov Chain 采样及 21CMMC 对两个模拟观测的精度。

    May, 2018

  • 面向多个数据集约束宇宙学参数的领域自适应图神经网络

    通过培训在两个不同的 CAMELS 流体动力学宇宙学模拟套件数据上的模型，我们研究了领域自适应图神经网络（DA-GNNs）的泛化能力，并通过最大均值差异（MMD）实现了无监督领域自适应，证明了 DA-GNN 在跨数据集任务上获得了更高的准确性和鲁棒性，显示出领域适应对适当的潜空间数据对齐的效果，这表明 DA-GNN 是一种提取领域独立宇宙学信息的有前途的方法，对于真实宇宙调查数据的强大深度学习是至关重要的一步。

    Nov, 2023

  • 从暗物质分布估算宇宙学参数

    利用深度三维卷积神经网络和分布回归框架，研究了通过宇宙物质分布直接估算宇宙学参数的方法，并表明机器学习技术在某些情况下可以胜过基于宇宙学模型的极大似然点估计，这为更高精度的估算宇宙学参数开辟了道路。

    Nov, 2017

  • 用卷积神经网络快速自动分析强引力透镜

    本文报道了使用深度卷积神经网络在非常快速且自动化的方式下准确估计透镜参数的方法，不需要使用最大似然方法，而且可以提供一种非专家获取大量数据的透镜参数估计的方法。

    Aug, 2017