.png){kind=icon}
返回
Detecting model misspecification in cosmology with scale-dependent normalizing flows
.png){kind=icon}
OA
AI
DOI：10.1088/2632-2153/ae107d.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
当前和即将到来的宇宙学巡天项目将产生前所未有的高维数据量，这些数据需要复杂的、高保真度的正演模拟来准确模拟描述数据生成过程的物理过程和系统效应。然而，验证我们的理论模型是否准确描述观测数据集仍然是一个基本挑战。这项任务的一个额外复杂性来自于选择适当的数据表示方法，既要保留所有相关的宇宙学信息，又要降低原始数据集的维度。在本工作中，我们提出了一种新颖的框架，结合尺度依赖的神经摘要统计量与归一化流，通过贝叶斯证据估计来检测宇宙学模拟中的模型误定。通过将我们的数据压缩和证据估计的神经网络模型在平滑尺度上条件化，我们以数据驱动的方式系统地识别理论模型失效的位置。我们展示了该方法的一个初步应用，使用了来自三个具有不同次网格物理实现的水动力学模拟套件的总物质和气体密度场模拟数据。
期刊
M
IF:
0
论文数:
116
被引数:
0
机构
引用论文
.png){kind=icon}
Evidence Networks: simple losses for fast, amortized, neural Bayesian model comparison证据网络: 快速、摊销、神经贝叶斯模型比较的简单损失OAAI
OAAI分享收藏
查看更多内容