弱レンズ効果のための深層学習モデルの解釈【JST・京大機械翻訳】

Matilla Jose Manuel Zorrilla; Sharma Manasi; Hsu Daniel; Haiman Zoltan

プレプリント

J-GLOBAL ID：202202211326102240 整理番号：21P0039528

弱レンズ効果のための深層学習モデルの解釈【JST・京大機械翻訳】

Interpreting deep learning models for weak lensing

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： 2020年07月13日プレプリントサーバーでの情報更新日： 2020年11月12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。

深層ニューラルネットワーク(DNN)は,弱いレンズ(WL)データセットから非Gauss情報を抽出することができることが証明されている強力なアルゴリズムである。データにおけるどの特徴がこれらの入れ子,非線形アルゴリズムの出力を決定するかを理解することは重要であるが,挑戦的なタスクである。WL収束(κ)のシミュレーションマップにおける宇宙論的パラメータを正確に回復するために,以前の研究で見出されたDNNを解析した。3つの一般的に用いられるWL統計(パワースペクトル,レンズピーク,およびMinkowski汎関数)の組み合わせから,光線追跡模擬κマップを用いて,宇宙パラメータ対(Ω_m,σ_8)に関する制約を導いた。ネットワークが,形状雑音の現実的レベルの存在下でも,この組合せに対して,推定パラメータ制約を20%まで改善できることを示した。DNNを解釈するために一連の良く確立された顕著性法を適用し,最も関連するピクセルが極端なκ値を持つものであることを見出した。無雑音マップでは,負のκを持つ領域は,入力空間における顕著性の二乗として定義されるDNN出力の属性の86~69%を占める。形状ノーズの存在下では,属性は,ΔΣ3σ_κを持つ領域の属性の36~68%で,高収束領域に集中していた。【JST・京大機械翻訳】

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

宇宙論

, ,

前のページに戻る