Dynamic Diffusion Schrödinger Bridge in Astrophysical Observational Inversions

要約

動的な天体物理システムのコンテキストで拡散Schr \ ‘Odinger Bridge（DSB）モデルを研究し、星形成のための巨大な分子雲（GMC）内の観測逆予測タスクに特に取り組んでいます。
Astro-DSBモデルは、天体物理学的ダイナミクスに合わせて調整されたペアワイズドメインの仮定を持つDSBのバリアントを紹介します。
物理的にシミュレートされたデータと実際の観察（おうし座B213データ）の両方で、その学習プロセスと予測パフォーマンスを調査することにより、2つの主要なテイクアウトを提示します。
まず、天体物理学の観点から、提案されたペアのDSBメソッドは、従来の宇宙攻撃およびその他の機械学習方法よりも解釈可能性、学習効率、および予測パフォーマンスを改善します。
第二に、生成モデリングの観点から見ると、確率的生成モデリングは、目に見えない初期条件と異なる支配的な物理プロセスを伴う物理シミュレーションの分散分布（OOD）テストの識別ピクセル間モデリングの改善を明らかにします。
私たちの研究は、従来の視覚合成アプリケーションを超えて拡散モデルの研究を拡大し、純粋なデータ統計を超えたモデルの学習能力の証拠を提供し、機械学習と実際の（アストロ）物理システムの間でダイナミクスを整列させることができる将来の物理学を意識する生成モデルへの道を開いています。

要約(オリジナル)

We study Diffusion Schr\’odinger Bridge (DSB) models in the context of dynamical astrophysical systems, specifically tackling observational inverse prediction tasks within Giant Molecular Clouds (GMCs) for star formation. We introduce the Astro-DSB model, a variant of DSB with the pairwise domain assumption tailored for astrophysical dynamics. By investigating its learning process and prediction performance in both physically simulated data and in real observations (the Taurus B213 data), we present two main takeaways. First, from the astrophysical perspective, our proposed paired DSB method improves interpretability, learning efficiency, and prediction performance over conventional astrostatistical and other machine learning methods. Second, from the generative modeling perspective, probabilistic generative modeling reveals improvements over discriminative pixel-to-pixel modeling in Out-Of-Distribution (OOD) testing cases of physical simulations with unseen initial conditions and different dominant physical processes. Our study expands research into diffusion models beyond the traditional visual synthesis application and provides evidence of the models’ learning abilities beyond pure data statistics, paving a path for future physics-aware generative models which can align dynamics between machine learning and real (astro)physical systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google