स्व-निगरानी मशीन लर्निंग के साथ ब्रह्माण्ड विज्ञान में डेटा संकुचन और अनुमान

सार वर्तमान और आगामी ब्रह्माण्ड सम्बन्धी सर्वेक्षणों से विशाल मात्रा में डेटा का प्रवाह ऐसे संकुचन योजनाओं की आवश्यकता करता है जो जानकारी के न्यूनतम हानि के साथ डेटा को प्रभावी ढंग से संक्षिप्त करे। हम एक विधि पेश करते हैं जो स्व-निगरानी मशीन लर्निंग के प्रारंभिक दृष्टिकोण का उपयोग करता है ताकि सिमुलेशन-आधारित संवर्द्धनों का उपयोग करके विशाल डेटा सेट के प्रतिनिधि सारांशों का निर्माण किया जा सके। हाइड्रोडायनामिकल ब्रह्माण्ड विज्ञान सिमुलेशनों पर इस विधि को लागू करते हुए, हम दिखाते हैं कि यह अत्यधिक सूचनात्मक सारांश प्रदान कर सकती है, जिसका उपयोग विभिन्न डाउनस्ट्रीम कार्यों के लिए किया जा सकता है, जिसमें सटीक और सही पैरामीटर अनुमान शामिल हैं। हम प्रदर्शित करते हैं कि कैसे इस प्रारूप का उपयोग ऐसे सारांश प्रतिनिधित्व के निर्माण के लिए किया जा सकता है जो निर्धारित प्रणालीगत प्रभावों के प्रति असंवेदनशील हैं, जैसे कि बैरियॉनिक भौतिकी का प्रभाव। हमारे परिणाम इंगित करते हैं कि स्व-निगरानी मशीन लर्निंग तकनीकें ब्रह्माण्ड डेटा के संकुचन और इसके विश्लेषण के लिए एक आशाजनक नया दृष्टिकोण प्रदान करती हैं।