Gauss過程とニューラルネットワークによる宇宙論的推論の加速-LSST Y1弱レンズ効果と銀河クラスタリングへの応用【JST・京大機械翻訳】

Boruah Supranta S.; Eifler Tim; Miranda Vivian; M Sai Krishanth P.

プレプリント

J-GLOBAL ID：202202200110066132 整理番号：22P0302774

Gauss過程とニューラルネットワークによる宇宙論的推論の加速-LSST Y1弱レンズ効果と銀河クラスタリングへの応用【JST・京大機械翻訳】

Accelerating cosmological inference with Gaussian processes and neural networks -- an application to LSST Y1 weak lensing and galaxy clustering

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月11日プレプリントサーバーでの情報更新日： 2022年03月11日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

系統的効果の影響,最適化調査戦略,異なるプローブ間の張力の評価,および異なるデータセットの協力の探求は,多数の模擬尤度分析を必要とし,その各々はCPU時間の数千である。本論文では,Gaussプロセス回帰とニューラルネットワークに基づくエミュレータを用いて宇宙論的推論を加速する方法を示した。高次元パラメータ空間でもデータベクトルの正確なエミュレーションを可能にする高事後確率の領域における訓練サンプルを反復的に取得する。現実的な理論的および系統的モデリングによるLSST-Y1の模擬3x2点解析によるエミュレータの性能を示した。このエミュレータは,1桁のスピードアップで,高忠実度の後部輪郭を導くことを示した。最も重要なことに,訓練されたエミュレータは,非常に速い衝撃と最適化研究のために再利用できる。LSST-Y13x2点解析におけるバリオン物理効果を研究することにより,この特徴を示し,ここでは,MCMCランの各々がおよそ5分かかることを示した。この技法は,分析選択と調査戦略の関数として科学リターンをマッピングするための将来の宇宙論的分析を可能にする。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, 【Automatic Indexing@JST】

宇宙論

, , , , , , , ,

前のページに戻る