Denoising Diffusion Probabilistic Models to Predict the Density of Molecular Clouds

要約

タイトル：　分子雲の密度を予測するためのノイズ除去拡散確率モデル

要約：
– Deep Learningの最先端のノイズ除去拡散確率モデル（DDPM）を紹介する。
– 投影された質量面密度マップから巨大分子雲（GMCs）の体積または数密度を推定する方法として、DDPMを採用する。
– 磁気流体力学シミュレーションを用いて、グローバルな磁場強度と大規模なダイナミクス、つまり非衝突GMCと衝突GMCを適用する。
– すべてのシミュレーションの質量面密度マップとそれらに対応する質量加重数密度マップをさまざまな視野角から拡散モデルでトレーニングする。
– 伝統的な2成分および3成分のPower-Law fitting法と、より伝統的なニューラルネットワークの機械学習アプローチ（CASI-2D）と比較して、拡散モデルの性能を評価する。
– 他の方法に比べて、拡散モデルは数密度の予測の正確さが1桁向上することを結論づける。
– 拡散法を、TaurusとInfrared Dark Clouds（IRDCs）G28.37+0.07とG35.39-0.33の例の天文学的柱密度マップに適用して、平均体積密度のマップを作成する。

要約(オリジナル)

We introduce the state-of-the-art deep learning Denoising Diffusion Probabilistic Model (DDPM) as a method to infer the volume or number density of giant molecular clouds (GMCs) from projected mass surface density maps. We adopt magnetohydrodynamic simulations with different global magnetic field strengths and large-scale dynamics, i.e., noncolliding and colliding GMCs. We train a diffusion model on both mass surface density maps and their corresponding mass-weighted number density maps from different viewing angles for all the simulations. We compare the diffusion model performance with a more traditional empirical two-component and three-component power-law fitting method and with a more traditional neural network machine learning approach (CASI-2D). We conclude that the diffusion model achieves an order of magnitude improvement on the accuracy of predicting number density compared to that by other methods. We apply the diffusion method to some example astronomical column density maps of Taurus and the Infrared Dark Clouds (IRDCs) G28.37+0.07 and G35.39-0.33 to produce maps of their mean volume densities.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI