Sep, 2024

如何创建梦想：使用扩散模型和点云模拟卫星星系和子晕群体

HTML
PDF
TL;DR本研究解决了现有卫星星系与其宿主暗物质晕之间关系模型的准确性与计算效率之间的矛盾。提出的NeHOD框架结合了变分扩散模型和Transformer，能够以类似于流体动力学模拟的准确性，低成本生成星系和子晕的分布。研究表明，该模型有效捕捉了子晕特性与模拟参数之间的复杂关系，并可广泛应用于星系聚类和强透镜等研究。
发现论文，激发创造
  • 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

  • 基于评分的生成模型实现逼真星系图像模拟

    利用去噪扩散概率模型（DDPM）生成逼真的模拟星系图像，并借鉴深度生成学习文献中的Frechet Inception距离和新引入的合成星系距离指标进行相似度比较和Emergent物理特性比较，其效果比其他生成方法（如对手网络）更为真实，可用于量身定制特定成像调查的大量合成观测数据，证实其精确插值和域转换方法的潜在用途，并在星际物理学领域推动了该主题的进一步研究。

    Nov, 2021

  • 机器学习揭示晕团质量分布起源的洞见

    使用机器学习框架，分析初始密度扰动通过质量吸积和合并导致黑暗物质晕的质量分布，发现影响最终质量分布的主要因素是初始条件和质量吸积历史。

    May, 2022

  • 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

  • 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

  • 点云方法在星系调查领域的生成建模

    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。

    Nov, 2023

  • 宇宙场模拟与扩散模型的参数推断

    以宇宙学为背景，利用扩散生成模型进行冷暗物质密度场的模拟，研究宇宙学参数和功率谱之间的关系以及参数推断的准确性。

    Dec, 2023

  • SO(3)上扩散生成模型的统一框架：在计算机视觉与天体物理学中的应用

    我们开发了基于分数的生成模型（SGMs）和去噪扩散概率模型（DDPMs）的扩展，用于三维旋转的李群SO（3），并应用于合成密度和姿态估计任务，在天体物理学/宇宙学中预测相关星系方向。

    Dec, 2023

  • 利用星系演化作为基于物理的真实性生成模型的源数据

    我们提出了一种条件性去噪扩散概率模型 (DDPM) 和条件性变分自动编码器 (CVAE)，并通过宇宙学数据中的星系图像测试它们生成逼真星系的能力。我们发现，基于人类评估，两个模型都能生成具有可比较逼真度的星系，但基于物理度量方式的性能评估更能辨别它们的优缺点，总体而言，DDPM模型在绝大多数物理度量方式中表现更好。最终，如果我们能证明生成模型能够学习星系演化的物理规律，它们有潜力带来新的天体物理学发现。

    Jul, 2024

  • 几何深度学习在星系-光晕连接中的应用：星系内在排列的案例研究

    本研究针对传统星系模拟在处理星系内在排列（IA）现象中存在的系统性偏差问题，通过使用深度生成模型与IllustrisTNG-100模拟相结合，提出了一种新方法来准确再现星系形状和方向。研究结果表明，该模型能够在统计上与参考模拟一致地学习和预测星系的取向及相关特征，具有重要的潜在影响。

    Sep, 2024