机构名称：
¥ 1.0
抽象理解宇宙中暗物质的本质是现代宇宙学的重要目标。探测此分布的关键方法是通过弱重力透镜质量映射 - 这是一个具有挑战性的逆问题，其中一个人从观察到的剪切测量值中吸收收敛场。即将进行的IV阶段调查，例如Vera C. Rubin天文台和欧几里得卫星进行的将提供更大的数据和精确度，以进行镜头分析，因此需要在计算上具有高效的质量映射方法，并且还为集成到下斯流的综合分析提供了不认真的效率。 在这项工作中，我们介绍了MMGAN，这是一种基于正则条件生成对抗网络（GAN）框架的新型质量映射方法，该框架生成了给定剪切数据的收敛场的近似后验样品。 我们采用Wasserstein Gans来提高训练稳定性并应用正则化技术来克服模式崩溃，否则对于有条件的gan而言，否则尤其是严重的问题。 我们将模型应用于模拟宇宙风格的数据集，然后将其应用于真正的宇宙调查数据。 我们的方法极大地超过了Kaiser-Squires技术，并实现了与替代性深度学习方法相似的重建保真度。 值得注意的是，虽然从学习的后验产生样品的替代方法很慢（例如， 每个后部样品需要约10分钟分钟），MMGAN可以在不到一秒钟的时间内产生高质量的收敛样品。将提供更大的数据和精确度，以进行镜头分析，因此需要在计算上具有高效的质量映射方法，并且还为集成到下斯流的综合分析提供了不认真的效率。在这项工作中，我们介绍了MMGAN，这是一种基于正则条件生成对抗网络（GAN）框架的新型质量映射方法，该框架生成了给定剪切数据的收敛场的近似后验样品。我们采用Wasserstein Gans来提高训练稳定性并应用正则化技术来克服模式崩溃，否则对于有条件的gan而言，否则尤其是严重的问题。我们将模型应用于模拟宇宙风格的数据集，然后将其应用于真正的宇宙调查数据。我们的方法极大地超过了Kaiser-Squires技术，并实现了与替代性深度学习方法相似的重建保真度。值得注意的是，虽然从学习的后验产生样品的替代方法很慢（例如，每个后部样品需要约10分钟分钟），MMGAN可以在不到一秒钟的时间内产生高质量的收敛样品。
使用快速不确定性定量质量映射的生成建模
主要关键词
相关文件推荐
