Buchumschlag

New applications of Graph Neural Networks in Cosmology

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Farsian, Farida, Marulli, Federico, Moscardini, Lauro, Giocoli, Carlo
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Cosmology and Nongalactic Astrophysics
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

The AIDA-TNG project. Abundance, radial distribution, and clustering properties of halos in alternative dark matter models
von: Romanello, Massimiliano, et al.
Veröffentlicht: (2025)

Weak-lensing tunnel voids in simulated light cones: A new pipeline to investigate modified gravity and massive neutrinos signatures
von: Maggiore, Leonardo, et al.
Veröffentlicht: (2025)

On the tomographic cluster clustering as a cosmological probe
von: Romanello, Massimiliano, et al.
Veröffentlicht: (2024)

AMICO-WL: an optimal filtering algorithm for galaxy cluster detections with weak lensing
von: Trobbiani, Leonardo, et al.
Veröffentlicht: (2025)

The Three Hundred Project hydrodynamical simulations: Hydrodynamical weak-lensing cluster mass biases and richnesses using different hydro models
von: Giocoli, Carlo, et al.
Veröffentlicht: (2025)

The perspective of voids on rising cosmology tensions
von: Contarini, Sofia, et al.
Veröffentlicht: (2022)

The AIDA-TNG project: dark matter profiles and concentrations in alternative dark matter models
von: Despali, Giulia, et al.
Veröffentlicht: (2025)

A Quantum Genetic Algorithm with application to Cosmological Parameters Estimation
von: Sarracino, Giuseppe, et al.
Veröffentlicht: (2026)

The Back-in-time Void Finder: dynamical identification of cosmic voids through optimal transport reconstruction
von: Sartori, Simone, et al.
Veröffentlicht: (2026)

A revisited Correction to the Halo Mass Function for local-type Primordial non-Gaussianity
von: Fiorino, Luca, et al.
Veröffentlicht: (2024)

AMICO galaxy clusters in KiDS-DR3: measuring the splashback radius from weak gravitational lensing
von: Giocoli, Carlo, et al.
Veröffentlicht: (2024)

Beyond general relativity: probing gravity with gravitational redshifts
von: Tsaprazi, Eleni, et al.
Veröffentlicht: (2025)

AMICO galaxy clusters in KiDS-DR3: Cosmological constraints from angular power spectrum and correlation function
von: Romanello, M., et al.
Veröffentlicht: (2023)

Quantum Markov Chain Monte Carlo for Cosmological Functions
von: Sarracino, Giuseppe, et al.
Veröffentlicht: (2025)

Dianoga SIDM: galaxy cluster self-interacting dark matter simulations
von: Ragagnin, Antonio, et al.
Veröffentlicht: (2024)

Reconstruction of Continuous Cosmological Fields from Discrete Tracers with Graph Neural Networks
von: Kvasiuk, Yurii, et al.
Veröffentlicht: (2024)

AMICO-COSMOS galaxy cluster and group catalogue up to $z = 2$: Sample properties and X-ray counterparts
von: Toni, Greta, et al.
Veröffentlicht: (2023)

Cosmological Inference with Cosmic Voids and Neural Network Emulators
von: Lehman, Kai, et al.
Veröffentlicht: (2025)

AMICO galaxy clusters in KiDS-1000: Splashback radius from weak lensing and cluster-galaxy correlation function
von: Lesci, G. F., et al.
Veröffentlicht: (2026)

Introducing the AIDA-TNG project: galaxy formation in alternative dark matter models
von: Despali, Giulia, et al.
Veröffentlicht: (2025)

Galaxy cluster virial quantities from extrapolating strong lensing mass profiles
von: Maraboli, Enrico, et al.
Veröffentlicht: (2025)

The AIDA-TNG project: 3D halo shapes
von: Giocoli, C., et al.
Veröffentlicht: (2025)

Improving Convolutional Neural Networks for Cosmological Fields with Random Permutation
von: Zhong, Kunhao, et al.
Veröffentlicht: (2024)

Probing General Relativity on Cosmological Scales in the 2040s
von: Montano, Federico, et al.
Veröffentlicht: (2026)

Cosmological simulations of scale-dependent primordial non-Gaussianity
von: Baldi, Marco, et al.
Veröffentlicht: (2024)

Cosmology-informed Neural Networks to infer dark energy equation-of-state
von: Verma, Anshul, et al.
Veröffentlicht: (2025)

The Application of Quantum Fourier Transform in Cosmic Microwave Background Data Analysis
von: Farsian, Farida, et al.
Veröffentlicht: (2025)

AMICO galaxy clusters in KiDS-1000: cosmological sample
von: Maturi, M., et al.
Veröffentlicht: (2025)

Molecular gas properties of star-forming brightest group galaxies at $z \sim 0.3$
von: Toni, Greta, et al.
Veröffentlicht: (2026)

Deep Learning galaxy cluster's structural parameters from Weak Lensing observations
von: Fogliardi, M., et al.
Veröffentlicht: (2026)

SPINN: Advancing Cosmological Simulations of Fuzzy Dark Matter with Physics Informed Neural Networks
von: Mishra, Ashutosh Kumar, et al.
Veröffentlicht: (2025)

Inferring Cosmological Parameters on SDSS via Domain-Generalized Neural Networks and Lightcone Simulations
von: Lee, Jun-Young, et al.
Veröffentlicht: (2024)

AMICO galaxy clusters in KiDS-1000: cosmological constraints and mass calibration from counts and weak lensing
von: Lesci, G. F., et al.
Veröffentlicht: (2025)

A new path to constrain the expansion history of the Universe in future spectroscopic galaxy surveys
von: Tomasetti, Elena, et al.
Veröffentlicht: (2025)

Testing the Distance Duality Relation with Cosmological Observations at high Redshift using Artificial Neural Network
von: Xie, Yukang, et al.
Veröffentlicht: (2025)

Weak lensing higher-order statistics to disentangle modified gravity and massive neutrinos
von: Vadalà, Alessandro, et al.
Veröffentlicht: (2026)

Standard Sirens in 2040s: Probing the Cosmic Expansion History with Gravitational Waves and Spectroscopic Galaxy Surveys
von: Borghi, Nicola, et al.
Veröffentlicht: (2025)

C3NN: Cosmological Correlator Convolutional Neural Network -- an interpretable machine learning tool for cosmological analyses
von: Gong, Zhengyangguang, et al.
Veröffentlicht: (2024)

ParamANN: A Neural Network to Estimate Cosmological Parameters for $Λ$CDM Universe Using Hubble Measurements
von: Pal, Srikanta, et al.
Veröffentlicht: (2023)

Improving Photometric Redshift Estimation for Cosmology with LSST using Bayesian Neural Networks
von: Jones, Evan, et al.
Veröffentlicht: (2023)