.png){kind=icon}
返回
Segmenting proto-halos with vision transformers
.png){kind=icon}
PRE
AI
DOI：10.1088/1475-7516/2025/11/083.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
暗物质晕由早期宇宙中产生的小尺度宇宙学扰动形成，这是一个高度非线性的过程，通常通过N体模拟进行建模。在本工作中，我们探索使用深度学习对初始密度场中的原晕区域进行分割和分类，依据其在红移z=0时的最终晕质量。我们比较了两种架构：一种基于V-Net设计的全卷积神经网络（CNN），以及一种U-Net变换器。我们发现，基于变换器的网络在所有指标上均显著优于CNN，在每类晕的分割总质量上实现了亚百分误差。两种网络在准确度上均远高于基于扰动理论的模型pinocchio，特别是在低晕质量以及原晕边界详细重建方面。我们还通过在密度场、潮汐剪切及其组合上训练模型，研究了不同输入特征的影响。最后，我们使用Grad-CAM为CNN生成类激活热图，为网络如何利用输入场提供了初步但具有启示性的见解。
期刊
IF:
5.9
论文数:
1.3W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
分享收藏A volumetric deep Convolutional Neural Network for simulation of mock dark matter halo catalogues
OAAI
OAAI分享收藏分享收藏分享收藏
查看更多内容