PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.11295v1astro-ph.CO

우주론적 추론을 위한 해석 가능한 신경망 기반 마크 통계

Interpretable Neural Marked Statistics for Cosmological Inference

파워 스펙트럼을 넘어선 우주론적 정보를 복원하는 것은 물질 밀도의 후기 비가우시안 신호가 2점 통계만으로는 접근할 수 없기 때문에 향후 우주론적 관측의 핵심 목표입니다. 마크 통계는 비선형 함수를 사용하여 필드에 가중치를 재조정함으로써 이 정보의 일부를 2점 수준으로 다시 반영합니다. 우리는 형태학적 수준에서 우주론적 정보의 이득을 직접 해석할 수 있도록 하는 해석 가능하고 물리적으로 동기 부여된 변환 집합을 통해 이 과정을 일반화하는 신경망 마킹 방식을 제안합니다. 우리는 학습 가능한 마크 요약을 기저 우주론적 매개변수와 정렬하기 위해 대조 학습 목적함수를 사용합니다. $k_{\max}=0.2\,h\mathrm{Mpc}^{-1}$에서 우리의 신경망 마크는 고전적 마크와 비교하여 $σ_8$에 대한 주변화된 제약 조건을 $2.9\times$, $Ω_m$에 대한 제약 조건을 $1.8\times$ 강화하여 피셔 정보 수준에서 $Ω_m-σ_8$ 축퇴성을 깨뜨립니다. 또한 이는 최고의 고전적 마크 대비 우리의 우주론적 매개변수 사전 분포 전반에 걸쳐 매개변수 MSE를 $1.45\times$ 더 감소시킵니다. 학습된 잠재 기하학은 매개변수 공간에서 $Ω_m$ 및 $σ_8$ 방향과 정렬되며, 이는 대조 목적함수가 우주론적 정보의 주요 축을 복원함을 나타냅니다. 우리의 접근 방식은 우주론적 추론을 위한 더 강력하고 해석 가능한 요약 통계의 가능성을 엽니다.