Nov, 2018

学习预测宇宙结构形成

PDF
TL;DR该研究使用深度学习模型解决宇宙结构形成的问题，并证明了这是一种实用和准确的替代方法。
发现论文，激发创造
  • 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

  • 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

  • 基于降维和监督机器学习的宇宙密度场快速仿真

    本文采用简单的机器学习方法，基于降维和监督学习方法建立基于暗物质密度参数的快速暗物质密度场仿真方法，并通过预测和反投影系数来预测不同宇宙学参数的密度立方体。该方法在保证相应精度下，相比于完整的 N 体模拟大幅缩短计算时间，可以显著加速宇宙模型参数和模型推断等工作，为 ESA/NASA Euclid 任务等开放了更广泛的应用空间。

    Apr, 2023

  • 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

  • 深度学习用于宇宙学模型判别

    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。

    Jul, 2017

  • 从星体坐标快照中恢复自由形式的势能的端到端策略

    通过自动微分和符号回归的方法，从星体位置和速度快照中还原出自由形式的解析势能以及其下属的暗物质分布，这为探索物理规律提供了契机。

    May, 2023

  • 贝叶斯神经网络预测致密行星系统的溶解

    通过深度学习技术，使用基于贝叶斯神经网络的新颖内部结构学习预测指标，成功预测行星系统的不稳定性，并且在不同情境下表现出了强大的泛化能力和计算速度，为预测行星系统不稳定性提供了新方法。

    Jan, 2021

  • 使用扩散模型进行有偏追踪器的暗物质场概率重建

    基于先进的星系形成模拟套件，利用扩散生成模型预测给定恒星质量场的潜在暗物质场的无偏后验分布，并能够消除在宇宙学和星系形成中的不确定性。

    Nov, 2023

  • 弱非线性高斯波动与埃奇沃思扩展

    本研究尝试通过结合重力扰动理论和 PDF 的 Edgeworth 扩展的分析逼近方法，计算 1 点概率分布函数的宇宙演化，并使用类似于密度场偏斜和峭度的措辞计算其演化情况，同时将分析计算与 N - 体模拟进行比较以验证其准确性。

    Aug, 1993