天体物理学
Astrophysics
星系天体物理学
Astrophysics of Galaxies
宇宙学与星系外天体物理学
Cosmology and Nongalactic Astrophysics
地球与行星天体物理学
Earth and Planetary Astrophysics
这项工作探索使用受物理学启发的AI Feynman符号回归算法,自动重新发现天文学中的一个基本方程 - 中心的方程。 通过数据预处理和搜索空间限制引入与系统物理性质相对应的观测和感应偏差,AI Feynman成功地从月球短暂性数据中恢复了这一方程的一阶分析形式。 然而,这种手动方法突出了其依赖专家驱动的坐标系选择的一个关键限制。 因此,我们建议自动预处理扩展以找到规范坐标系。 结果表明,有针对性的领域知识嵌入使符号回归能够重新发现物理定律,但也强调了在通过量身定制的偏见利用域知识时,限制符号回归以推导出物理方程的进一步挑战。
辐射转移是天体物理学的一个基本过程,对于通过电离辐射和光子压力在模拟中解释观测和建模热和动态反馈至关重要。 然而,由于光与物质的复杂相互作用以及光速与天体物理环境中典型气体速度之间的差异,在数值上解决底层辐射传递方程是计算密集型的,因此在流体力学模拟中包括飞行辐射的影响特别昂贵。 这激励了替代模型的发展,可以显着加速辐射转移计算,同时保持高精度。 我们展示了基于傅里叶神经操作员架构与U-Nets相结合的替代模型。 我们的模型近似于时间依赖机制中的三维单色辐射转移,在吸收-排放近似中,实现超过2个数量级的加速,同时保持平均相对误差低于3%,证明了我们的方法有可能集成到最先进的流体动力学模拟中。
将星系的形成和演化与大规模结构联系起来对于解释宇宙学观测至关重要。 虽然流体力学模拟准确地模拟了星系的相关性,但它们在计算上是令人望而却步的,无法超过与现代调查相匹配的体积。 我们通过开发一个框架来解决这个问题,以快速生成以廉价的暗物质模拟为条件的模拟星系目录。 我们提出了一个多模态,基于变压器的模型,该模型将3D暗物质密度和速度场作为输入,并输出具有物理特性的相应点星系云。 我们证明,我们经过训练的模型忠实地再现了各种星系汇总统计数据,并随着底层宇宙学和天体物理参数的变化正确捕获它们的变异,使其成为第一个加速向前模型,以捕获所有相关星系属性,它们的全部空间分布及其在水力模拟中的条件依赖性。
本文介绍了一种使用基于事件的相机传感来确定航天器角速率的方法。 这是通过分析由恒星的明显运动触发的亮度事件的时间分布来实现的。 事件的位置和极性用于推断恒星的明显运动场,这反过来又用于估计相机帧中的观察者角速度。 这可能会转换为航天器的角速率,提供姿态参考。 该方法通过数值模拟对随机航天器指向和速率条件上生成的事件流的合成数据集进行验证。 评估该方法的准确性,证明其使用事件相机传感在航天器系统中补充或替换传统速率传感器的潜力。
在太阳活动的推动下,地球的太空天气对我们星球周围的卫星以及关键的地面技术基础设施构成了越来越大的风险。 主要的空间天气贡献者是太阳风和日冕物质抛射,其可变密度,速度,温度和磁场使这些结构的自动化分类具有挑战性。 在这项工作中,我们调整了太阳物理学的基础模型,最初在太阳动力学天文台的图像上训练,以创建适合太阳风结构分析的嵌入。 这些嵌入与使用傅里叶特征编码的航天器位置和太阳磁连接相连接,该特征产生了基于神经场的模型。 完整的深度学习架构经过微调,弥合了遥感和现场观测之间的差距。 标签来自Parker Solar Probe测量,形成了一个下游分类任务,将等离子体特性映射到太阳风结构。 虽然整体分类性能适中,可能是由于粗糙的标签,类不平衡和预训练模型的可转移性有限,但这项研究证明了利用基础模型嵌入原位太阳风任务的可行性。 作为第一个概念验证,它为未来改进更可靠的空间天气预报奠定了基础。 本研究中使用的代码和配置文件公开支持可重复性。
广泛的空气淋浴(EAS)分析的目的是重建启动淋浴的主要粒子的物理参数。 TAIGA实验是一个混合探测器系统,结合了几个成像大气切伦科夫望远镜(IACTs)和一系列非成像切伦科夫探测器(TAIGA-HiSCORE)用于EAS检测。 由于不同探测器类型记录的信号在物理性质上有所不同,因此数据的直接合并是不可行的,这使得多模态分析复杂化。 目前,为了分析来自IACTs和TAIGA-HiSCORE的数据,从记录的信号中计算一组特定于每个探测器类型的辅助参数。 这些参数是经验选择的,因此无法确定它们保留所有重要信息,并且最适合各自的问题。 我们建议使用自动编码器(AE)来分析TAIGA实验数据,并将常规使用的辅助参数替换为AE潜伏空间的参数。 AE潜伏空间参数的优点是,它们从实验数据中保留基本物理学,而无需事先假设。 这种方法还具有通过联合潜伏空间实现异构IACT和HiSCORE数据的无缝集成的潜力。 为了从AE的潜在空间重建EAS主粒子的参数,使用一个单独的人工神经网络。 在本文中,建议的方法用于根据TAIGA-HiSCORE的蒙特卡洛模拟数据重建EAS主粒子的能量。 能量测定精度对潜在空间维度的依赖性进行了分析,这些结果也与常规技术获得的结果进行了比较。 结果表明,当使用AE潜伏空间时,以令人满意的精度重建主粒子的能量。
背景。 随着检测到的外行星候选者数量不断增长,对强大且可扩展的自动化工具的需求越来越重要,以优先考虑或验证它们。 在最有前途的解决方案中,深度学习模型提供了解释传统上用于审查过程中的复杂诊断指标的能力。 目标。 在这项工作中,我们介绍了WATSON-Net,这是一个新的开源神经网络分类器和数据准备包,旨在与当前最先进的工具竞争,以审查和验证来自天基任务的凌日系外行星信号。 方法。 在开普勒Q1-Q17 DR25数据上使用10倍交叉验证训练,WATSON-Net生产10个独立模型,每个模型在专用验证和测试集上进行评估。 十种模型经过校准,并通过标准化输入管道,为TESS数据进行可扩展,允许在不同空间任务中进行性能评估。 成果。 对于开普勒目标,WATSON-Net实现了0.903的0.99(R@P0.99)精度召回,排名第二,只有ExoMiner网络表现更好(R@P0.99 = 0.936)。 对于TESS信号,WATSON-Net成为性能最佳的非微调机器学习分类器,在包含已确认的行星和误报的测试中实现了0.93的精度和0.76的召回。 该模型及其数据准备工具在 dearwatson Python 软件包中公开提供,完全开源,并集成到 SHERLOCK 管道的审查引擎中。
数据驱动的天体物理学目前依赖于对物体属性之间相关性的检测和表征,然后用于测试对它们进行预测的物理理论。 这个过程未能利用数据中构成理论预测关键部分的信息,即哪些变量是直接相关的(而不是通过其他变量意外相关),这些确定的方向,以及存在或不与数据集中相关的变量,但本身没有。 我们建议通过因果发现来恢复这些信息,这是一种开发用于推断数据集因果结构的方法,然而,天体物理学几乎完全不知道。 我们开发了一种适合大型天体物理数据集的因果发现算法,并在美国宇航局斯隆阿特拉斯系统的∼5×10^5低红移星系上将其说明,展示了其仅根据相关性区分退化的物理机制的能力。
新的大型观察调查,如盖亚,正在引领我们进入一个数据丰富的时代,通过机器学习的力量,为发现新的物理定律提供了前所未有的机会。 在这里,我们提出了一个端到端的策略,从恒星位置和速度的快照中恢复自由形式的分析潜力。 首先,我们展示了如何利用自动分化来捕获引力电位及其潜在暗物质分布的不可知论图,其形式为神经网络。 然而,在物理学的背景下,神经网络既是瘟疫,也是祝福,因为它们在物理系统建模方面非常灵活,但主要包括不可解释的黑匣子。 因此,此外,我们还展示了如何使用互补的符号回归方法将这种神经网络打开到物理上有意义的表达式中。 我们通过恢复玩具异戊黄系统的潜力来展示我们的战略。
即将测量的动力学Sunyaev-Zel'dovich(kSZ)效应,由宇宙微波背景(CMB)光子散射移动电子,为电离大纪元(EoR)提供了强大的再电离大纪元(EoR)的探测器。 kSZ 信号包含有关 EoR 的时间、持续时间和空间结构的关键信息。 精确测量CMB光学深度τ,这是表征宇宙集成电子密度的关键参数,将显着限制早期结构形成的模型。 然而,由于天体物理前景受到重大污染,弱 kSZ 信号很难从CMB观测中提取。 我们介绍了一种机器学习方法,从模拟 kSZ 地图中提取τ。 我们训练先进的机器学习模型,包括swin变压器,对kSZ信号进行高分辨率的半数值模拟。 为了有力地量化τ的预测不确定性,我们使用Laplace近似(LA)。 这种方法为模型权重的后验提供了高效且有原则的高斯近似值,从而实现了可靠的误差估计。 我们调查和比较了两种不同的应用模式:应用于预训练模型的后复合LA,以及在线LA,其中模型权重和超参数通过最大化边际可能性共同优化。 这种方法为严格限制τ及其相关的不确定性提供了一个框架,可以增强对即将到来的CMB调查的分析,如西蒙斯天文台和CMB-S4。
基于分数的模型可以作为科学逆问题的表现力,数据驱动的先验。 在强引力透镜中,它们从其扭曲的、成倍图像的观测中,使背景星系的后验。 然而,以前的工作假设镜头质量分布(因此向前运算符)是已知的。 我们通过共同推断源和参数化镜头质量剖面来放松这一假设,使用基于GibbsDDRM的采样器,但在连续时间运行。 由此产生的重建产生与观测噪声一致的残余,镜头参数的边际后验器在没有系统偏差的情况下恢复真实值。 据我们所知,这是首次成功展示基于分数的基于分数的合并源和透镜推断。
本文对Vega飞行计算机及其相应的地面站进行了深入分析,CATS是一家生产开源飞行计算机和为学生制造的火箭量身定制的跟踪系统的公司。 这些飞行计算机旨在支持火箭达到高达30公里甚至更高的高度,在推进教育火箭和促进航空航天工程的实践学习经验方面起着至关重要的作用。 作为欧洲火箭挑战赛(EuRoC)的官方赞助商,这些飞行计算机已成为比赛不可或缺的一部分,提供了可靠和复杂的遥测和控制能力,增强了安全性和性能。 本文深入探讨了这些系统的技术规格和教育影响,强调了它们为更广泛的欧洲火箭计划的贡献。 通过最近欧洲火箭挑战赛的全面实地数据和案例研究,这项研究强调了开源飞行计算机激发下一代航空航天专业人员的潜力。
使用深度学习的数据驱动方法正在成为从宇宙学大规模结构中提取非高斯信息的强大技术。 这项工作提出了第一个基于模拟的推理(SBI)管道,将弱透镜和星系聚类地图结合在逼真的暗能量调查第3年(DES Y3)配置中,并作为即将对调查数据进行分析的准备。 我们开发了一个基于CosmoGridV1 N-body模拟套件的可扩展的前进模型,在地图级别上生成超过一百万个自静模拟实现DES Y3。 利用这个大型数据集,我们在球形几何学的完整调查足迹上训练深度图卷积神经网络,以学习低维特征,这些特征与目标参数近似地最大化相互信息。 这些学习压缩使神经密度估计通过十维参数空间中的细化流来估计隐性可能性,这些参数空间跨越宇宙学wCDM,内在对齐和线性星系偏置参数,同时边缘化于重音,光度红移和剪切偏倚。 为了确保稳健性,我们使用来自我们前进模型中的系统污染和独立的Buzzard星系目录中的合成观测来广泛验证我们的推理管道。 我们的预测在宇宙学参数约束方面产生了显着的改进,相对于我们实施基线两点统计,并通过探针组合有效地打破参数退化,在平面上实现了2-3×更高的优点。 Ω_m - S_8 这些结果证明了SBI分析的潜力,为即将到来的Stage-IV宽场成像调查提供了深度学习。
基础模型已成为深度学习领域的强大范式,利用其从大规模数据集中学习强大的表示能力,并有效地向分类等各种下游应用学习。 在本文中,我们介绍了Atromer 2一个专门用于提取光曲线嵌入的基础模型。 我们引入Atromer 2作为我们用于光曲线分析的自我监督模型的增强迭代。 本文强调了其预训练嵌入的优点,将其性能与其前身Atromer 1的性能进行了比较,并对其能力进行了详细的实证分析,提供了对模型表示的更深刻见解。 占星2在MACHO调查中的150万个单波段光曲线上预训练,使用自我监督的学习任务,预测序列中随机蒙面的观察。 在较小的标记数据集上进行微调,使我们能够评估其在分类任务中的性能。 嵌入的质量由在Astomer生成的嵌入上训练的MLP分类器的F1分数来衡量。 我们的结果表明,在所有评估的场景中,Atromer 2明显优于Atromer 1,包括每类20,100和500个样本的有限数据集。 使用加权每个样本嵌入,它集成了来自Atromer注意力块的中间表示,特别具有影响力。 值得注意的是,与之前的模型相比,Atromer 2在ATLAS数据集上的F1得分提高了15%,展示了对新数据集的稳健概括。 这种增强的性能,特别是标签数据最少,强调了Atromer 2在更高效和可扩展的光曲线分析方面的潜力。
太阳能耀斑预测已经进行了广泛的研究,但仍然是一个悬而未决的问题。 在本文中,我们研究了弹性距离测量对检测太阳耀斑数据集SWAN-SF中模式的贡献。 我们采用简单的k-medoids聚类算法来评估高级高维距离指标的有效性。 我们的结果表明,尽管进行了彻底的优化,但没有一个弹性距离比欧几里得距离差。 我们证明,尽管弹性测量已经显示出单变量时间序列的希望,但当应用于SWAN-SF的多变量时间序列时,其特点是太阳活动的高随机性,它们有效地崩溃到欧几里得距离。 我们进行了数千次实验,并提出了定量和定性证据支持这一发现。
脉冲星定时阵列为测量低频引力波提供了强大的框架,但结果的准确性和稳健性受到必须准确建模的复杂噪声过程的挑战。 标准PTA分析为每个脉冲星分配固定均匀的噪声,这种方法可以在组合阵列时引入系统偏差。 为了克服这一限制,我们采用了分层的贝叶斯建模策略,其中噪声先验被更高级别超参数参数参数化。 我们进一步解决了超参数和物理噪声参数之间相关性带来的挑战,重点关注那些描述红色噪声和色散测量变化。 为了装饰这些数量,我们引入了使用 Normalizing Flows 实现的分层模型的正交再参数化。 我们还使用i-nessai,一个流导嵌套采样器,有效地探索由此产生的更高维度的参数空间。 我们将我们的方法应用于最小的3脉冲星案例研究,同时对噪声和SGWB参数进行推理。 尽管数据集有限,但结果一致表明,分层处理更严格地限制了噪声参数,并部分缓解了红噪声-SGWB的退化,而正交再参数化进一步增强了参数独立性,而不影响所涉及的物理过程的功率法建模所固有的相关性。
Voronoi图是必不可少的几何结构,具有许多应用,特别是天体物理学驱动的有限体积方法。 虽然构建这些实体的串行算法是完善的,但并行构建仍然具有挑战性。 在分布式内存系统中尤其如此,每个主机只管理输入点的一个子集。 这个过程需要跨主机重新分配点,并准确计算相应的Voronoi单元。 在本文中,我们引入了一种新的分布式构建算法,该算法在我们的开源C++三维Voronoi构建框架中实现。 我们的方法利用Delaunay三角测量作为中间步骤,然后将其转化为Voronoi图。 我们介绍了我们为精确构造和负载平衡方法实现的算法,并将运行时间与其他最先进的框架进行比较。 MadVoro是一种多功能工具,可以应用于各种科学领域,如网格分解,计算物理,化学和机器学习。
我们详细介绍了贝叶斯脉冲星定时阵列数据的推理工作流程,重点是通过使用基于流的嵌套采样规范化来提高效率,稳健性和速度。 在 Enterprise 框架的基础上,我们集成了 i-nessai 采样器,并将其性能用于逼真的模拟数据集。 我们分析其计算扩展和稳定性,并表明它实现了准确的后验和可靠的证据估计,并大大减少了运行时,根据数据集配置,相对于传统的单核并行脾温MCMCM分析,最多三个数量级。 这些结果突出了基于流量的嵌套采样在保持推理质量的同时加速PTA分析的潜力。
在本文中,我们提出了一种新的算法MiniFool,它实现了物理启发的对抗攻击,用于测试粒子和星射物理学中基于神经网络的分类任务。 虽然我们最初用IceCube Neutrino天文台开发了用于搜索天体物理tau中微子的算法,但我们将其应用于其他科学领域的进一步数据,从而证明了其普遍适用性。 在这里,我们将该算法应用于著名的MNIST数据集,此外,还可以从大型强子对撞机的CMS实验中打开数据数据。 该算法基于最小化成本函数,该函数将基于测试统计的χ^2与偏离预期目标分数相结合。 测试统计量根据实验的不确定性量化应用于数据扰动的概率。 对于我们研究的用例,我们发现翻转分类的可能性在最初正确和不正确分类的事件上有所不同。 当测试分类的变化作为扩展实验不确定性的攻击参数的函数时,可以量化网络决策的稳健性。 此外,这允许测试未标记的实验数据分类的稳健性。
脉冲星调查每次运行产生数百万候选人,压倒性的人工检查。 本文为无线电脉冲星候选选择构建了一条深度学习管道,将阵列衍生的特征与图像诊断融合在一起。 从大约500 GB的巨型Metrewave射电望远镜(GMRT)数据中,原始电压转换为滤波器库(SIGPROC),然后通过试验分散和折叠(PRESTO),以产生大约32,000个候选者。 每个候选者产生四个诊断 - 摘要配置文件,时间与相位,子带与相位和DM曲线 - 代表为数组和图像。 基线堆叠模型(用于阵列的ANN + 用于逻辑回归融合的图像的CNN)的准确率达到68%。 然后,我们改进了 CNN 架构和培训(规范化、学习率调度、最大规范约束),并通过有针对性的增强来缓解类失衡,包括针对少数群体类的基于 GAN 的生成器。 增强的CNN获得87%的准确率;最终的GAN+CNN系统在保持测试集上平衡精度和召回,同时保持足够轻的近实时分诊。 结果表明,将阵列和图像通道结合提高了仅图像方法的可分离性,并且适度的生成增强可以显着提高少数(脉冲星)的回忆。 这些方法是调查无关的,可与即将到来的高通量设施进行扩展。
继续滚动加载更多
