使用单一的扩散生成模型作为宇宙学参数推断模型和冷暗物质密度场的代码模拟器,旨在通过近似似然推断给出对宇宙学参数的严格约束,并展示这种参数推断方法较基准参数推断网络更具鲁棒性。
May, 2024
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
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
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。
我们介绍了一种基于扩散的生成模型,直接描述我们宇宙中的星系分布作为三维空间中的点的集合(坐标),可选地带有关联属性(例如速度和质量),而无需使用分箱或像素化。这种定制的扩散模型既可以用于仿真,重现星系分布的关键统计特征,也可以用于推断,通过计算星系场的条件似然性。我们首次应用于 Quijote 模拟套件中的大质量暗物质晕的案例。这种方法可以扩展以实现对宇宙学数据的全面分析,规避了摘要统计特征以及基于神经模拟的推断方法所固有的局限性。
该研究利用 N 体模拟等方法,开发出一种高效、经济的宇宙学模拟方法以更准确地推测宇宙学和天文学现象,同时取得了显著的模拟效果提升,并在此基础上发布了公共代码。
Apr, 2013
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
在宇宙学中,为了观测宇宙微波背景中的原始 $B$- 模式,提出了对银河尘埃前景进行精确建模的关键需求。我们对尘埃前景的基于扩散的建模及其在成分分离中的价值进行了研究。在假设为具有已知宇宙学(或协方差矩阵)的高斯 CMB 的情况下,我们展示了扩散模型可以通过尘埃辐射地图的示例被训练,使其采样过程与成分分离的后验采样直接对应。我们在尘埃辐射与 CMB 的模拟混合中进行了说明。我们展示了通过这一过程能够恢复出组分的常用摘要统计特征(功率谱、Minkowski 函数)的能力。我们还引入了一种在 CMB 宇宙学基础上进行条件设定的模型,该模型胜过仅基于单一宇宙学的模型在成分分离中的表现。这样的模型将用于未来的基于扩散的宇宙学推断工作中。
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