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 pr...
- 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
| id |
UNBOSQUE2_563374280e92a535d6290379d91d743a |
|---|---|
| oai_identifier_str |
oai:repositorio.unbosque.edu.co:20.500.12495/11386 |
| network_acronym_str |
UNBOSQUE2 |
| network_name_str |
Repositorio U. El Bosque |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Restricción de parámetros cosmológicos a partir de simulaciones de cuerpos N con redes neuronales bayesianas variacionales |
| dc.title.translated.spa.fl_str_mv |
Constraining cosmological parameters from N-body simulations with variational Bayesian neural networks |
| title |
Restricción de parámetros cosmológicos a partir de simulaciones de cuerpos N con redes neuronales bayesianas variacionales |
| spellingShingle |
Restricción de parámetros cosmológicos a partir de simulaciones de cuerpos N con redes neuronales bayesianas variacionales Inteligencia artificial Cosmología Redes neuronales profundas Simulaciones de N-cuerpos Estimación de parámetros Artificial intelligence Cosmology Deep neural networks N-body simulations Parameter estimation |
| title_short |
Restricción de parámetros cosmológicos a partir de simulaciones de cuerpos N con redes neuronales bayesianas variacionales |
| title_full |
Restricción de parámetros cosmológicos a partir de simulaciones de cuerpos N con redes neuronales bayesianas variacionales |
| title_fullStr |
Restricción de parámetros cosmológicos a partir de simulaciones de cuerpos N con redes neuronales bayesianas variacionales |
| title_full_unstemmed |
Restricción de parámetros cosmológicos a partir de simulaciones de cuerpos N con redes neuronales bayesianas variacionales |
| title_sort |
Restricción de parámetros cosmológicos a partir de simulaciones de cuerpos N con redes neuronales bayesianas variacionales |
| dc.creator.fl_str_mv |
Hortúa, Héctor J. García, Luz Ángela Castañeda, Leonardo |
| dc.contributor.author.none.fl_str_mv |
Hortúa, Héctor J. García, Luz Ángela Castañeda, Leonardo |
| dc.contributor.orcid.none.fl_str_mv |
Hortúa, Héctor J. [0000-0002-3396-2404] |
| dc.subject.spa.fl_str_mv |
Inteligencia artificial Cosmología Redes neuronales profundas Simulaciones de N-cuerpos Estimación de parámetros |
| topic |
Inteligencia artificial Cosmología Redes neuronales profundas Simulaciones de N-cuerpos Estimación de parámetros Artificial intelligence Cosmology Deep neural networks N-body simulations Parameter estimation |
| dc.subject.keywords.spa.fl_str_mv |
Artificial intelligence Cosmology Deep neural networks N-body simulations Parameter estimation |
| description |
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. |
| publishDate |
2023 |
| dc.date.accessioned.none.fl_str_mv |
2023-10-11T21:12:55Z |
| dc.date.available.none.fl_str_mv |
2023-10-11T21:12:55Z |
| dc.date.issued.none.fl_str_mv |
2023 |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| dc.type.local.none.fl_str_mv |
Artículo de revista |
| dc.type.hasversion.none.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_6501 |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/article |
| dc.type.coarversion.none.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| format |
http://purl.org/coar/resource_type/c_6501 |
| status_str |
publishedVersion |
| dc.identifier.issn.none.fl_str_mv |
2296987X |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12495/11386 |
| dc.identifier.doi.none.fl_str_mv |
10.3389/fspas.2023.1139120 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad El Bosque |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad El Bosque |
| dc.identifier.repourl.none.fl_str_mv |
repourl:https://repositorio.unbosque.edu.co |
| identifier_str_mv |
2296987X 10.3389/fspas.2023.1139120 instname:Universidad El Bosque reponame:Repositorio Institucional Universidad El Bosque repourl:https://repositorio.unbosque.edu.co |
| url |
http://hdl.handle.net/20.500.12495/11386 |
| dc.language.iso.none.fl_str_mv |
eng |
| language |
eng |
| dc.relation.uri.none.fl_str_mv |
https://www.scopus.com/record/display.uri?eid=2-s2.0-85164691012&origin=inward&txGid=1afec315290c1c2aea69b8d69947962e |
| dc.rights.*.fl_str_mv |
Attribution 4.0 International |
| dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by/4.0/ |
| dc.rights.local.spa.fl_str_mv |
Acceso abierto |
| dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess http://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution 4.0 International http://creativecommons.org/licenses/by/4.0/ Acceso abierto http://purl.org/coar/access_right/c_abf2 |
| eu_rights_str_mv |
openAccess |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.spa.fl_str_mv |
Departamento de Matemáticas, Grupo Signos, Universidad El Bosque, Bogotá, Colombia Maestría en Ciencia de Datos, Universidad Escuela Colombiana de Ingeniería Julio Garavito Bogotá, Bogotá, Colombia Universidad ECCI, Bogotá, Colombia Observatorio Astronómico Nacional, Universidad Nacional de Colombia, Bogotá, Colombia |
| dc.publisher.journal.spa.fl_str_mv |
Frontiers in Astronomy and Space Sciences |
| institution |
Universidad El Bosque |
| bitstream.url.fl_str_mv |
https://repositorio.unbosque.edu.co/bitstreams/6d69d5b8-74e3-4568-b40b-131ba5cb0af7/download https://repositorio.unbosque.edu.co/bitstreams/36b32880-0a35-4669-93da-3e516e2c87d3/download https://repositorio.unbosque.edu.co/bitstreams/4975a934-38f8-4107-be3e-db6c3d56168c/download https://repositorio.unbosque.edu.co/bitstreams/1991566a-bfae-4d58-abac-f4de0075c304/download https://repositorio.unbosque.edu.co/bitstreams/0536918c-4379-4421-86b8-ced65a1a6c85/download https://repositorio.unbosque.edu.co/bitstreams/b39b8abc-a57a-4edd-8b7a-97406651df21/download |
| bitstream.checksum.fl_str_mv |
4f46bbd80191393e8df8d215ba8e9331 4460e5956bc1d1639be9ae6146a50347 17cc15b951e7cc6b3728a574117320f9 5215260368570565fdaa5dc5f241fedf 239d0678e63a55f3ad7252f511ba070f 895b2343837a64ddff1771760453ca06 |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad El Bosque |
| repository.mail.fl_str_mv |
bibliotecas@biteca.com |
| _version_ |
1814100823077027840 |
| spelling |
Hortúa, Héctor J.García, Luz ÁngelaCastañeda, LeonardoHortúa, Héctor J. [0000-0002-3396-2404]2023-10-11T21:12:55Z2023-10-11T21:12:55Z20232296987Xhttp://hdl.handle.net/20.500.12495/1138610.3389/fspas.2023.1139120instname:Universidad El Bosquereponame:Repositorio Institucional Universidad El Bosquerepourl:https://repositorio.unbosque.edu.coIntroducción: 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.Introduction: 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.application/pdfengDepartamento de Matemáticas, Grupo Signos, Universidad El Bosque, Bogotá, ColombiaMaestría en Ciencia de Datos, Universidad Escuela Colombiana de Ingeniería Julio Garavito Bogotá, Bogotá, ColombiaUniversidad ECCI, Bogotá, ColombiaObservatorio Astronómico Nacional, Universidad Nacional de Colombia, Bogotá, ColombiaFrontiers in Astronomy and Space Scienceshttps://www.scopus.com/record/display.uri?eid=2-s2.0-85164691012&origin=inward&txGid=1afec315290c1c2aea69b8d69947962eAttribution 4.0 Internationalhttp://creativecommons.org/licenses/by/4.0/Acceso abiertoinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Inteligencia artificialCosmologíaRedes neuronales profundasSimulaciones de N-cuerposEstimación de parámetrosArtificial intelligenceCosmologyDeep neural networksN-body simulationsParameter estimationRestricción de parámetros cosmológicos a partir de simulaciones de cuerpos N con redes neuronales bayesianas variacionalesConstraining cosmological parameters from N-body simulations with variational Bayesian neural networksArtículo de revistainfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501http://purl.org/coar/resource_type/c_2df8fbb1info:eu-repo/semantics/articlehttp://purl.org/coar/version/c_970fb48d4fbd8a85ORIGINALConstraining cosmological.pdfConstraining cosmological.pdfArticuloapplication/pdf16269194https://repositorio.unbosque.edu.co/bitstreams/6d69d5b8-74e3-4568-b40b-131ba5cb0af7/download4f46bbd80191393e8df8d215ba8e9331MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8805https://repositorio.unbosque.edu.co/bitstreams/36b32880-0a35-4669-93da-3e516e2c87d3/download4460e5956bc1d1639be9ae6146a50347MD53LICENSElicense.txtlicense.txttext/plain; charset=utf-82000https://repositorio.unbosque.edu.co/bitstreams/4975a934-38f8-4107-be3e-db6c3d56168c/download17cc15b951e7cc6b3728a574117320f9MD54THUMBNAILPortada.jpgPortada.jpgPortadaimage/jpeg155937https://repositorio.unbosque.edu.co/bitstreams/1991566a-bfae-4d58-abac-f4de0075c304/download5215260368570565fdaa5dc5f241fedfMD55Constraining cosmological.pdf.jpgConstraining cosmological.pdf.jpgIM Thumbnailimage/jpeg8858https://repositorio.unbosque.edu.co/bitstreams/0536918c-4379-4421-86b8-ced65a1a6c85/download239d0678e63a55f3ad7252f511ba070fMD56TEXTConstraining cosmological.pdf.txtConstraining cosmological.pdf.txtExtracted texttext/plain50101https://repositorio.unbosque.edu.co/bitstreams/b39b8abc-a57a-4edd-8b7a-97406651df21/download895b2343837a64ddff1771760453ca06MD5720.500.12495/11386oai:repositorio.unbosque.edu.co:20.500.12495/113862024-02-07 10:02:42.374http://creativecommons.org/licenses/by/4.0/Attribution 4.0 Internationalopen.accesshttps://repositorio.unbosque.edu.coRepositorio Institucional Universidad El Bosquebibliotecas@biteca.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 |