宇宙值得$64^3$像素:用于宇宙学的卷积神经网络与视觉Transformer
宇宙学与河外天体物理
2023-11-03 v2
摘要
我们提出一种新方法,从红移空间暗物质晕的3D光锥数据中估计宇宙学参数、、以及一个导出参数;数据覆盖天区面积和红移范围,并被分箱为个体素。使用两种深度学习算法——卷积神经网络(CNN)和视觉Transformer(ViT)——我们将其性能与标准两点相关(2pcf)函数进行比较。我们的结果表明CNN取得最佳性能,而ViT在预测宇宙学参数方面也展现出显著潜力。通过结合视觉Transformer、卷积神经网络和2pcf的结果,我们相比单独使用2pcf实现了误差的大幅降低。为更好理解机器学习算法的内部机制,我们采用Grad-CAM方法考察CNN和ViT激活图中关键信息的来源。我们的发现表明,算法根据其预测的参数不同,会聚焦于密度场和红移的不同部分。这项概念验证工作为纳入深度学习方法从大尺度结构估计宇宙学参数铺平了道路,潜在地带来更紧的约束和对宇宙的更好理解。
引用
@article{arxiv.2304.08192,
title = {The Universe is worth $64^3$ pixels: Convolution Neural Network and Vision Transformers for Cosmology},
author = {Se Yeon Hwang and Cristiano G. Sabiu and Inkyu Park and Sungwook E. Hong},
journal= {arXiv preprint arXiv:2304.08192},
year = {2023}
}
备注
23 pages, 10 figures