学习预测宇宙结构形成
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
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
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
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
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
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
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