Restricción de parámetros cosmológicos a partir de simulaciones de cuerpos N con redes neuronales bayesianas variacionales

Vista sencilla de ítem
dc.contributor.authorHortúa, Héctor J.
dc.contributor.authorGarcía, Luz Ángela
dc.contributor.authorCastañeda, Leonardo
dc.contributor.orcidHortúa, Héctor J. [0000-0002-3396-2404]
dc.date.accessioned2023-10-11T21:12:55Z
dc.date.available2023-10-11T21:12:55Z
dc.date.issued2023
dc.description.abstractIntroducción: Recientemente se han aplicado métodos basados en aprendizaje profundo para recuperar parámetros astrofísicos, gracias a la capacidad de estas técnicas para capturar información de datos complejos. Uno de estos esquemas es la red neuronal bayesiana aproximada (BNN), que ha demostrado producir una distribución posterior en el espacio de parámetros que resulta extremadamente útil para la cuantificación de la incertidumbre. Sin embargo, las redes neuronales modernas tienden a producir estimaciones de incertidumbre demasiado fiables y a introducir sesgos al aplicar las BNN a los datos. Método: En este trabajo, implementamos flujos normalizadores multiplicativos (MNFs), una familia de posteriors aproximados para los parámetros de las BNNs con el propósito de mejorar la flexibilidad de la distribución posterior variacional, para extraer Ωm, h, y σ8 de las simulaciones QUIJOTE. Comparamos este último método con las BNNs estándar y el estimador Flipout. Resultados: Hemos encontrado que el uso de MNFs supera consistentemente a las BNNs estándar con una diferencia porcentual en el error cuadrático medio del 21%, además de una extracción de alta precisión de σ8 (r2 = 0,99), con estimaciones de incertidumbre precisas y consistentes. Discusiones: Estos resultados implican que las MNFs proporcionan una distribución predictiva más realista y cercana a la verdadera posterior, mitigando el sesgo introducido por la aproximación variacional y permitiéndonos trabajar con redes bien calibradas. Copyright © 2023 Hortúa, García y Castañeda C.spa
dc.description.abstractenglishIntroduction: Methods based on deep learning have recently been applied to recover astrophysical parameters, thanks to the ability of these techniques to capture information from complex data. One of these schemes is the approximate Bayesian neural network (BNN), which has demonstrated to yield a posterior distribution into the parameter space that is extremely helpful for uncertainty quantification. However, modern neural networks tend to produce overly confident uncertainty estimates and introduce bias when applying BNNs to data. Method: In this work, we implement multiplicative normalizing flows (MNFs), a family of approximate posteriors for the parameters of BNNs with the purpose of enhancing the flexibility of the variational posterior distribution, to extract Ωm, h, and σ8 from the QUIJOTE simulations. We compared the latter method with the standard BNNs and the Flipout estimator. Results: We have found that the use of MNFs consistently outperforms the standard BNNs with a percent difference in the mean squared error of 21%, in addition to high-accuracy extraction of σ8 (r2 = 0.99), with precise and consistent uncertainty estimates. Discussions: These findings imply that MNFs provide a more realistic predictive distribution closer to the true posterior, mitigating the bias introduced by the variational approximation and allowing us to work with well-calibrated networks. Copyright © 2023 Hortúa, García and Castañeda C.eng
dc.format.mimetypeapplication/pdf
dc.identifier.doi10.3389/fspas.2023.1139120
dc.identifier.instnameinstname:Universidad El Bosquespa
dc.identifier.issn2296987X
dc.identifier.reponamereponame:Repositorio Institucional Universidad El Bosquespa
dc.identifier.repourlrepourl:https://repositorio.unbosque.edu.co
dc.identifier.urihttps://hdl.handle.net/20.500.12495/11386
dc.language.isoeng
dc.publisherDepartamento de Matemáticas, Grupo Signos, Universidad El Bosque, Bogotá, Colombiaspa
dc.publisherMaestría en Ciencia de Datos, Universidad Escuela Colombiana de Ingeniería Julio Garavito Bogotá, Bogotá, Colombiaspa
dc.publisherUniversidad ECCI, Bogotá, Colombiaspa
dc.publisherObservatorio Astronómico Nacional, Universidad Nacional de Colombia, Bogotá, Colombiaspa
dc.publisher.journalFrontiers in Astronomy and Space Sciencesspa
dc.relation.urihttps://www.scopus.com/record/display.uri?eid=2-s2.0-85164691012&origin=inward&txGid=1afec315290c1c2aea69b8d69947962e
dc.rightsAttribution 4.0 International*
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.accessrightshttps://purl.org/coar/access_right/c_abf2
dc.rights.localAcceso abiertospa
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/*
dc.subjectInteligencia artificialspa
dc.subjectCosmologíaspa
dc.subjectRedes neuronales profundasspa
dc.subjectSimulaciones de N-cuerposspa
dc.subjectEstimación de parámetrosspa
dc.subject.keywordsArtificial intelligencespa
dc.subject.keywordsCosmologyspa
dc.subject.keywordsDeep neural networksspa
dc.subject.keywordsN-body simulationsspa
dc.subject.keywordsParameter estimationspa
dc.titleRestricción de parámetros cosmológicos a partir de simulaciones de cuerpos N con redes neuronales bayesianas variacionalesspa
dc.title.translatedConstraining cosmological parameters from N-body simulations with variational Bayesian neural networksspa
dc.type.coarhttps://purl.org/coar/resource_type/c_6501
dc.type.coarversionhttps://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.driverinfo:eu-repo/semantics/article
dc.type.hasversioninfo:eu-repo/semantics/publishedVersion
dc.type.localArtículo de revista

Archivos

Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Constraining cosmological.pdf
Tamaño:
15.52 MB
Formato:
Adobe Portable Document Format
Descripción:
Articulo
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.95 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Artículos