.png){kind=icon}
返回
Cosmological parameter estimation from large-scale structure deep learning
.png){kind=icon}
OA
AI
DOI：10.1007/s11433-020-1586-3.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
我们提出了一种轻量级的深度卷积神经网络 (CNN)，以高精度从模拟的3维暗物质分布中估计宇宙学参数。训练集基于边长为256h(-1)Mpc的立方框的465实现，用128(3) 个粒子在128(3) 个体素的立方网格上插值进行采样。这些体积在公寓内有不同的宇宙学参数？0.16 <= ω (m)<= 0.46且2.0 <= 10(9)A(s)<= 2.3的CDM参数空间。神经网络将具有32(3) 个体素的立方体作为输入，并且具有三个卷积层、三个密集层以及一些批归一化和池化层。在网络的最终预测中，我们发现原始振幅sigma(8) 存在2.5% 偏差，无法通过继续训练轻松解决。我们纠正了这种偏差，以在统计不确定性为delta omega(m)= 0.0015和delta sigma(8)= 0.0029的宇宙学参数估计中获得前所未有的准确性，这比以前的CNN工作结果要好几倍。与使用0-130和10-130h(-1)Mpc的聚类区域的2点分析方法相比，CNN约束分别更精确了几倍和一个数量级。最后，我们对神经网络的容错能力进行了初步检查，发现它对平滑，掩蔽，随机噪声，全局变化，旋转，反射和模拟分辨率具有鲁棒性。这些影响在典型的聚类分析中是很好的理解的，但是在CNN方法之前没有被测试过。我们的工作表明，CNN在从宇宙大规模结构中得出严格的宇宙学约束方面比人们预期的更有希望。
Keyword:
large-scale structure of Universe
cosmological parameters
dark energy
machine learning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
S
IF:
7.5
论文数:
3.9K
被引数:
7.4K
机构
引用论文
.png){kind=icon}
Selecting informative subsets of sparse supermatrices increases the chance to find correct trees
OAAI
OAAI分享收藏The clustering of galaxies in the completed SDSS-III Baryon Oscillation Spectroscopic Survey: cosmological analysis of the DR12 galaxy sample完成的sdss-iii重子振荡光谱调查中的星系聚类: DR12星系样品的宇宙学分析OAAI
OAAI分享收藏
查看更多内容