Jun, 2019

使用 KiDS-450 弱引力透镜地图的深度学习进行宇宙学限制

PDF
TL;DR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。
convolutional neural networksweak lensingcosmological inferenceresnetcosmological data analysis
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 当谱建模遇上卷积网络：一种在多波段成像数据中发现复合再电离时代透镜类星体的方法

    本研究通过引入新的空间几何排除标准和扩大允许的光谱参数空间，并利用基于图像的深度学习方法进行实现，对重新电离时期的透镜星系进行了系统搜索，利用光谱能量分布的预选和卷积神经网络相对概率的计算方法，相结合，发现了 36 个新的透镜候选者。

    Nov, 2022

  • 可学习的小波神经网络用于宇宙学推断

    应用可训练小波作为过滤器的可学习散射变换模型在宇宙学信息推断和消除星际物理效应方面表现优于传统卷积神经网络，特别在训练数据有限的情况下，且具有高度解释性。

    Jul, 2023

  • 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

  • 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

  • 神经网络参数估计中的不确定性：强引力透镜应用

    该论文介绍了一种使用变分推断框架来获取深度学习模型中参数不确定性的方法，以及通过调整单个超参数 ——dropout rate 来获得准确和精确的不确定性估计，从而证明神经网络是比 MCMC 更快的参数不确定性估计替代方案。

    Aug, 2017