抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
銀河と暗黒物質ハローの特性を接続し,強化学習を用いて観測された銀河統計上で直接訓練する,新しい広大なニューラルネットワークGalaxyNetを提案した。恒星質量と星形成速度(SFR)を予測する最も重要なハロー特性は,質量ピーク時のハロー質量,成長速度,およびスケール因子であり,ランダムフォレストによる特徴重要性解析から生じる。最適ネットワークアーキテクチャを見つけるために,教師つき学習で異なるモデルを訓練した。次に,銀河Netを強化学習アプローチで訓練し,重みとバイアスの固定集合に対して,すべてのハローに対する銀河特性を計算し,次に,モック統計(星質量関数,宇宙および比SFRs,消光画分およびクラスタ化)を誘導した。これらの統計を観測と比較し,粒子スウォーム最適化で最小化したモデル損失を得た。GlaxyNetは観測データを非常に正確に再現し(χ_red=1.05),経験的モデルより高い赤方偏移でより低い正規化と浅い低質量勾配を持つ恒星対ハロー質量関係を予測した。低質量では,ほとんどの衛星はクエンチされるが,最も高いSFRsを持つ銀河は衛星である。瞬時変換効率の正規化は赤方偏移と共に増加するが,zrsim0.7以上では一定である。最後に,銀河を用いて(5.9 ̄Gpc) ̄3の宇宙体積をポピュレートし,BAO信号,バイアス,およびz=4までの能動および受動銀河のクラスタ化を予測し,LSSTおよびユークリッドのような次世代調査でテストできる。【JST・京大機械翻訳】