文献

J-GLOBAL ID：201902290994414466   整理番号：19A1898876

宇宙論的構造形成を予測するための学習【JST・京大機械翻訳】

Learning to predict the cosmological structure formation

著者 (16件)： He Siyu (Department of Physics, Carnegie Mellon University, Pittsburgh, PA 15213) ,  He Siyu (McWilliams Center for Cosmology, Carnegie Mellon University, Pittsburgh, PA 15213) ,  He Siyu (Center for Computational Astrophysics, Flatiron Institute, New York, NY 10010) ,  Li Yin (Berkeley Center for Cosmological Physics, University of California, Berkeley, CA 94720) ,  Li Yin (Physics Division, Lawrence Berkeley National Laboratory, Berkeley, CA 94720) ,  Li Yin (Kavli Institute for the Physics and Mathematics of the Universe, University of Tokyo Institutes for Advanced Study, The University of Tokyo, Chiba 277-8583, Japan) ,  Feng Yu (Berkeley Center for Cosmological Physics, University of California, Berkeley, CA 94720) ,  Feng Yu (Physics Division, Lawrence Berkeley National Laboratory, Berkeley, CA 94720) ,  Ho Shirley (Department of Physics, Carnegie Mellon University, Pittsburgh, PA 15213) ,  Ho Shirley (McWilliams Center for Cosmology, Carnegie Mellon University, Pittsburgh, PA 15213) ,  Ho Shirley (Center for Computational Astrophysics, Flatiron Institute, New York, NY 10010) ,  Ho Shirley (Berkeley Center for Cosmological Physics, University of California, Berkeley, CA 94720) ,  Ho Shirley (Physics Division, Lawrence Berkeley National Laboratory, Berkeley, CA 94720) ,  Ravanbakhsh Siamak (Computer Science Department, University of British Columbia, Vancouver, BC V6T1Z4, Canada) ,  Chen Wei (Center for Computational Astrophysics, Flatiron Institute, New York, NY 10010) ,  Poczos Barnabas (Machine Learning Department, Carnegie Mellon University, Pittsburgh, PA 15213)
資料名： Proceedings of the National Academy of Sciences of the United States of America  (Proceedings of the National Academy of Sciences of the United States of America)
巻： 116  号： 28  ページ： 13825-13832  発行年： 2019年 
JST資料番号： D0387A  ISSN： 0027-8424  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 物質は,密度変動から重力の影響下で進化した。非摂動構造はすべてのスケールにわたって階層的に形成され,宇宙Webとして知られているUniverseにおける非Gauss特徴を発達させた。Universeの構造形成を完全に理解することは,現代の天体物理学のholgraの一つである。天体物理学者は,大量のUniverseを調査し,計算機シミュレーションの大規模集合を用いて,観測データと比較し,著者ら自身のUniverseの完全情報を抽出した。しかし,数年以上にわたって粒子のビリオンを進化させるためには,最も単純な物理学によってさえも,一つの作業が必要とされている。著者らは,入力として摂動理論に基づく解析的近似であるZel’dovich近似(ZA)を用いて,Uniの非線形大規模構造を予測するために,前実行数値シミュレーションの集合から学習する深いニューラルネットワーク,Deep密度表示モデル([数式:原文を参照])を構築した。著者らの広範な解析は,[数式:原文を参照]が,非線形領域における宇宙構造の予測において,一般的に用いられる高速近似シミュレーション法である二次摂動理論(2LPT)よりも優れていることを実証した。また,[数式:原文を参照]はその訓練データをはるかに超えて正確に外挿でき,著しく異なる宇宙論パラメータに対する構造形成を予測できることを示した。著者らの研究は,深い学習が,宇宙の重力構造形成の三次元シミュレーションを近似するための実用的で正確な代替法であることを証明した。Copyright 2019 The Author(s). Published by PNAS. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 高速度 ,  重力 ,  ビリオン ,  Web【情報システム】 ,  摂動論 ,  近似法 ,  *宇宙論 ,  計算機シミュレーション ,  外挿法 ,  宇宙物理学 ,  *宇宙空間 ,  ニューラルネットワーク ,  摂動
準シソーラス用語： 数値シミュレーション ,  密度ゆらぎ , 【Automatic Indexing@JST】

著者キーワード (3件)： 宇宙論 ,  深層学習 ,  シミュレーション

分類 (1件)： 分子構造  (EB03020Y)

タイトルに関連する用語 (4件)： 宇宙 ,  構造形成 ,  予測 ,  学習