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

Introducción: 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.

• Autores: Hortúa, Héctor J.; García, Luz Ángela; Castañeda, Leonardo
• Tipo de recurso: Article of journal
• Fecha de publicación: 2023
• Institución: Universidad El Bosque
• Repositorio: Repositorio U. El Bosque
• Idioma: eng
• OAI Identifier: oai:repositorio.unbosque.edu.co:20.500.12495/11386
• Acceso en línea: http://hdl.handle.net/20.500.12495/11386
• Palabra clave: Inteligencia artificial; Cosmología; Redes neuronales profundas; Simulaciones de N-cuerpos; Estimación de parámetros; Artificial intelligence; Cosmology; Deep neural networks; N-body simulations; Parameter estimation
• Rights: openAccess
• License: Attribution 4.0 International