ترجمه فارسی مقاله نظریه یادگیری پیشینیان آگاه برای استنتاج بیزی: مطالعه موردی با انرژی تاریک اولیه

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Learning Theory Informed Priors for Bayesian Inference: A Case Study with Early Dark Energy
عنوان مقاله به فارسی نظریه یادگیری پیشینیان آگاه برای استنتاج بیزی: مطالعه موردی با انرژی تاریک اولیه
نویسندگان Michael W. Toomey, Mikhail M. Ivanov, Evan McDonough
فرمت مقاله انگلیسی PDF
تعداد صفحات 12
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Cosmology and Nongalactic Astrophysics,Instrumentation and Methods for Astrophysics,High Energy Physics - Phenomenology,High Energy Physics - Theory,کیهان شناسی و اخترفیزیک نونگالایک , ابزار دقیق و روش های اخترفیزیک , فیزیک انرژی بالا - پدیدارشناسی , فیزیک انرژی بالا - تئوری ,
توضیحات Submitted 13 September, 2024; originally announced September 2024. , Comments: 12 pages, 6 figures, 2 tables , Report number: MIT-CTP/5759
توضیحات به فارسی ارسال شده 13 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 12 صفحه ، 6 شکل ، 2 جدول ، شماره گزارش: MIT-CTP/5759
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Cosmological models are often motivated and formulated in the language of particle physics, using quantities such as the axion decay constant, but tested against data using ostensibly physical quantities, such as energy density ratios, assuming uniform priors on the latter. This approach neglects priors on the model from fundamental theory, including from particle physics and string theory, such as the preference for sub-Planckian axion decay constants. We introduce a novel approach to learning theory-informed priors for Bayesian inference using normalizing flows (NF), a flexible generative machine learning technique that generates priors on model parameters when analytic expressions are unavailable or difficult to compute. As a test case, we focus on early dark energy (EDE), a model designed to address the Hubble tension. Rather than using uniform priors on the $\textit{phenomenological}$ EDE parameters $f_{\rm EDE}$ and $z_c$, we train a NF on EDE cosmologies informed by theory expectations for axion masses and decay constants. Our method recovers known constraints in this representation while being $\sim 300,000$ times more efficient in terms of total CPU compute time. Applying our NF to $\textit{Planck}$ and BOSS data, we obtain the first theory-informed constraints on EDE, finding $f_{\rm EDE} \lesssim 0.02$ at $95\%$ confidence with an $H_0$ consistent with $\textit{Planck}$, but in $\sim 6σ$ tension with SH0ES. This yields the strongest constraints on EDE to date, additionally challenging its role in resolving the Hubble tension.

چکیده به فارسی (ترجمه ماشینی)

مدلهای کیهان شناختی اغلب با استفاده از مقادیری مانند پوسیدگی محوری ، در زبان فیزیک ذرات با انگیزه و فرموله می شوند ، اما در برابر داده ها با استفاده از مقادیر فیزیکی ظاهراً مانند نسبت چگالی انرژی ، با فرض مقدمات یکنواخت در دومی آزمایش می شوند.این رویکرد از تئوری اساسی ، از جمله از فیزیک ذرات و نظریه رشته ، مانند اولویت برای ثابت پوسیدگی زیر پلانکیان ، از نظر تئوری اساسی ، از نظر تئوری اساسی ، از جمله از فیزیک ذرات و نظریه رشته ، غفلت می کند.ما یک رویکرد جدید برای یادگیری های تئوری آگاهانه برای استنتاج بیزی با استفاده از جریان نرمال (NF) ، یک تکنیک یادگیری ماشین مولد انعطاف پذیر را معرفی می کنیم که در صورت عدم وجود عبارات تحلیلی در دسترس نیست یا محاسبه آن دشوار است.به عنوان یک مورد آزمایش ، ما روی انرژی اولیه تاریک (EDE) تمرکز می کنیم ، مدلی که برای رفع تنش هابل طراحی شده است.به جای استفاده از مقدمات یکنواخت در $ \ textit {پدیدارشناختی} $ EDE پارامترهای $ f _ {\ rm ede} $ و $ z_c $ ، ما یک NF را در کیهان شناسی EDE که توسط انتظارات تئوری برای توده های محوری و اجزای پوسیدگی آگاه است ، آموزش می دهیم.روش ما محدودیت های شناخته شده را در این نمایندگی بازیابی می کند در حالی که $ 300،000 $ برابر از نظر کل زمان محاسبه پردازنده کارآمدتر است.با استفاده از NF ما به $ \ textit {planck} $ و داده های رئیس ، ما اولین محدودیت های تئوری آگاهانه را در EDE بدست می آوریم ، و پیدا کردن $ f _ {\ rm ede} \ lesssim $ با اعتماد به نفس 95 $ \ ٪ $ با $ $ سازگاربا $ \ textit {planck} $ ، اما در تنش $ \ sim 6σ $ با sh0es.این امر قوی ترین محدودیت ها را در EDE تا به امروز به همراه دارد ، علاوه بر این نقش آن را در حل تنش هابل به چالش می کشد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.