CosmoGAN：利用生成对抗网络创建高保真弱引力透镜收敛图
天体物理仪器与方法
2019-05-23 v6 机器学习
摘要
从实验数据推断模型参数是包括宇宙学在内的许多科学领域面临的重大挑战。这通常严重依赖高保真度的数值模拟，而这些模拟的计算成本高得令人望而却步。深度学习技术在生成建模中的应用，重新激发了人们将高维密度估计器用作完整模拟的计算廉价仿真器的兴趣。这些生成模型有潜力在科学模拟领域带来巨大转变，但要实现这一转变，我们需要研究此类生成器在科学应用所需的精度范围内的性能。为此，在本工作中，我们将生成对抗网络应用于生成弱引力透镜收敛图的问题。我们证明，我们的生成器网络所生成的图，在很高的统计置信度下，与完全模拟的图具有相同的汇总统计量。
引用
@article{arxiv.1706.02390,
title = {CosmoGAN: creating high-fidelity weak lensing convergence maps using Generative Adversarial Networks},
author = {Mustafa Mustafa and Deborah Bard and Wahid Bhimji and Zarija Lukić and Rami Al-Rfou and Jan M. Kratochvil},
journal= {arXiv preprint arXiv:1706.02390},
year = {2019}
}
备注
11 pages, 8 figures