Modelos de difusión probabilísticos como emuladores en simulaciones de gravedad modificada
No hay miniatura disponible
Archivos
Fecha
2024-06
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
En este trabajo, se usa la aplicación de modelos de difusión probabilística (DDPM) y de eliminación de ruido (DDIM) en la generación de simulaciones de N-cuerpos en modelos de gravedad modificada. Los DDPM añaden ruido de manera controlada a través de una cadena de Markov, donde cada paso de difusión depende exclusivamente del anterior, incrementando gradualmente la indistinción. Por otro lado, los DDIM introducen una mayor flexibilidad al permitir referencias a estados anteriores más distantes en el proceso de difusión. En este documento reportamos que los modelos DDPM proveen un excelente emulador para la generación de las simulaciones cosmológicas a nivel del espectro de potencias y biespectro obteniendo un r2 = 0.8, mientras que los modelos DDIM fallan en la extracción de la normalización. Este enfoque juega un papel importante en cosmología, donde la precisión y la rapidez en la generación de simulaciones son esenciales para la estimación de parámetros y la restricción de modelos de gravedad.
Descripción
Abstract
In this work, the application of Denoising Diffusion Probabilistic Models (DDPM) and Denoising Diffusion Implicit Models (DDIM) is used in the generation of N-body simulations in modified gravity models. DDPMs add noise in a controlled manner through a Markov chain, where each diffusion step depends exclusively on the previous one, gradually increasing indistinguishability. On the other hand, DDIMs introduce greater flexibility by allowing references to more distant previous states in the diffusion process. In this document, we report that DDPM models provide an excellent emulator for the generation of cosmological simulations at the level of power spectrum and bispectrum, achieving an r2 = 0.8, while DDIM models fail in the extraction of normalization. This approach plays an important role in cosmology, where precision and speed in the generation of simulations are essential for parameter estimation and model constraint of gravity.
Palabras clave
Deep Learning, Modelos generativos, Astrofísica, Simulaciones de N-cuerpos, Gravedad modificada
Keywords
Deep Learning, Generative models, Astrophysics, N-body simulations, Modified gravity