ICMLOct, 2023

SimBIG：基于场的仿真推断星系聚类

PDF
TL;DR我们首次提出了基于模拟的宇宙学参数的推导方法，通过对星系聚类的场级分析。使用正常化流的模型以及卷积神经网络进行了星系场数据的大量压缩，我们得到了对宇宙学参数的约束，包括了非高斯信息。这项工作不仅提供了强有力的宇宙学约束，还介绍了未来星系调查中利用额外宇宙学信息的新方法。
simulation-based inferencegalaxy clusteringnormalizing flowscosmological constraintsnon-gaussian cosmological information
发现论文，激发创造
  • 贝叶斯神经网络在宇宙学中的鲁棒性基于仿真的推断

    使用贝叶斯神经网络框架进行 SBI 的训练，涉及宇宙微波背景的推断，并引入 cosmoSWAG 以缓解数据迁移问题。

    Jul, 2022

  • 基于星系的鲁棒场级别无似然推断

    使用图神经网络，在包含三维位置和速度的星系目录中对宇宙学参数进行可靠推断，并在各种宇宙和天体物理参数的变化范围内进行测试和验证。

    Feb, 2023

  • 基于天体目录的场级别模拟推断：系统效应的影响

    使用图神经网络对包含多种观测效应的星系目录进行训练和测试，发现尽管这些效应降低了模型的精度和准确性，增加了模型失效的星系目录比例，但模型表现良好的星系目录比例超过 90％，从而展示了这些模型在应用于真实数据时约束宇宙学参数的潜力。

    Oct, 2023

  • 基于贝叶斯模拟推断的宇宙初始条件

    通过基于模拟的推理和自回归建模的多功能贝叶斯场重建算法，我们展示了对宇宙学初条件从晚期密度场中的恢复的初步有希望的结果。

    Oct, 2023

  • 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

  • 宇宙大尺度结构中星系团聚集和质量 - 数目比的宇宙学限制

    使用 Halo Occupation Distribution 建立了非线性的星系偏差模型来拟合两种不同宇宙参数下的星系两点相关函数和团簇内质量与星系数的比值，并将此技术用于约束宇宙学参数 Omega_m 和 sigma_8， 发现 Omega_m^0.5*sigma_8=0.465+/-0.026，证明了 M/N 技术是通过未来的星系调查来限制宇宙学的一个有效方法。

    Apr, 2011

  • 暗物质晕的稳健场级推断

    使用图神经网络在 Halo 目录上进行训练，实现宇宙学参数无似然场水平的推断。该文章表明，其模型在使用多个不同的 N-body 模拟和代码运作的 Halo 目录进行测试时非常健壮，同时探讨了使用多种参数会受到精度和健壮性的权衡问题。

    Sep, 2022

  • 高维数据环境下基于模拟的推断的扩散后验采样

    在非线性模型中，我们提出了一种基于模拟推理和分数网络的方法，利用多个观测值的共享信息来更好地推断模型的参数，并在各种数值实验中证明了其在数值稳定性和计算成本方面的优越性。

    Apr, 2024

  • SBI：基于模拟推断的工具包

    文中介绍了一种基于神经网络的 SBI 算法，能够利用科学原理通过黑盒模拟器进行精确推断，并解决了单一最优解的限制，从而实现全参数空间后验分布的估计。

    Jul, 2020

  • 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