Buchumschlag

MadEvolve: Evolutionary Optimization of Cosmological Algorithms with Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Tianyi, Zang, Shihui, Münchmeyer, Moritz
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Cosmology and Nongalactic Astrophysics Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

MadEvolve: Evolutionary Optimization of Trading Systems with Large Language Models
von: Kvasiuk, Yurii, et al.
Veröffentlicht: (2026)

Squeezed Limit non-Gaussianity Estimation with Cosmic Shear
von: Zang, Shi-Hui, et al.
Veröffentlicht: (2025)

Super-Resolution Emulation of Large Cosmological Fields with a 3D Conditional Diffusion Model
von: Rouhiainen, Adam, et al.
Veröffentlicht: (2023)

An Auto-Differentiable Likelihood Pipeline for the Cross-Correlation of CMB and Large-Scale Structure due to the Kinetic Sunyaev-Zeldovich Effect
von: Kvasiuk, Yurii, et al.
Veröffentlicht: (2023)

Neural Networks Optimized by Genetic Algorithms in Cosmology
von: Gómez-Vargas, Isidro, et al.
Veröffentlicht: (2022)

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

Constraining $f_{NL}$ using the Large-Scale Modulation of Small-Scale Statistics
von: Giri, Utkarsh, et al.
Veröffentlicht: (2023)

A Tale of Two Fields: Neural Network-Enhanced non-Gaussianity Search with Halos
von: Kvasiuk, Yurii, et al.
Veröffentlicht: (2024)

Reconstruction of Dark Matter and Baryon Density From Galaxies: A Comparison of Linear, Halo Model and Machine Learning-Based Methods
von: Krywonos, Jordan, et al.
Veröffentlicht: (2025)

Simulation-Efficient Cosmological Inference with Multi-Fidelity SBI
von: Thiele, Leander, et al.
Veröffentlicht: (2025)

Hybrid Physical-Neural Simulator for Fast Cosmological Hydrodynamics
von: Thomsen, Arne, et al.
Veröffentlicht: (2025)

$\mathtt{emuflow}$: Normalising Flows for Joint Cosmological Analysis
von: Mootoovaloo, Arrykrishna, et al.
Veröffentlicht: (2024)

KSZ Velocity Reconstruction with ACT and DESI-LS using a Tomographic QML Power Spectrum Estimator
von: Lai, Anderson C. M., et al.
Veröffentlicht: (2025)

Galaxy Phase-Space and Field-Level Cosmology: The Strength of Semi-Analytic Models
von: de Santi, Natalí S. M., et al.
Veröffentlicht: (2025)

CosmoFlow: Scale-Aware Representation Learning for Cosmology with Flow Matching
von: Kannan, Sidharth, et al.
Veröffentlicht: (2025)

Velocityformer: Broken-Symmetry-Matched Equivariant Graph Transformers for Cosmological Velocity Reconstruction
von: Tröster, Tilman, et al.
Veröffentlicht: (2026)

If at First You Don't Succeed, Trispectrum: I. Estimating the Matter Power Spectrum Covariance with Higher-Order Statistics
von: Goldstein, Samuel, et al.
Veröffentlicht: (2026)

QML-FAST -- A Fast Code for low-$\ell$ Tomographic Maximum Likelihood Power Spectrum Estimation
von: Kvasiuk, Yurii, et al.
Veröffentlicht: (2025)

Stochastic Super-resolution of Cosmological Simulations with Denoising Diffusion Models
von: Schanz, Andreas, et al.
Veröffentlicht: (2023)

Detecting Model Misspecification in Cosmology with Scale-Dependent Normalizing Flows
von: Akhmetzhanova, Aizhan, et al.
Veröffentlicht: (2025)

Learning from Topology: Cosmological Parameter Estimation from the Large-scale Structure
von: Yip, Jacky H. T., et al.
Veröffentlicht: (2023)

Three-dimensional Conditional Diffusion Models for Cosmological 21 cm Lightcone Emulation
von: Xia, Bin, et al.
Veröffentlicht: (2026)

Cosmological Analysis with Calibrated Neural Quantile Estimation and Approximate Simulators
von: Jia, He
Veröffentlicht: (2024)

Mean-Field Simulation-Based Inference for Cosmological Initial Conditions
von: Savchenko, Oleg, et al.
Veröffentlicht: (2024)

Fast Sampling of Cosmological Initial Conditions with Gaussian Neural Posterior Estimation
von: Savchenko, Oleg, et al.
Veröffentlicht: (2025)

Model-Agnostic Cosmological Inference with SDSS-IV eBOSS: Simultaneous Probing for Background and Perturbed Universe
von: Mukherjee, Purba, et al.
Veröffentlicht: (2024)

Learning the Universe: Learning to Optimize Cosmic Initial Conditions with Non-Differentiable Structure Formation Models
von: Doeser, Ludvig, et al.
Veröffentlicht: (2025)

CosmoBench: A Multiscale, Multiview, Multitask Cosmology Benchmark for Geometric Deep Learning
von: Huang, Ningyuan, et al.
Veröffentlicht: (2025)

Inferring Cosmological Parameters with Evidential Physics-Informed Neural Networks
von: Tan, Hai Siong
Veröffentlicht: (2025)

Cosmology with Persistent Homology: Parameter Inference via Machine Learning
von: Calles, Juan, et al.
Veröffentlicht: (2024)

Domain Adaptive Graph Neural Networks for Constraining Cosmological Parameters Across Multiple Data Sets
von: Roncoli, Andrea, et al.
Veröffentlicht: (2023)

Reconstructing Galaxy Cluster Mass Maps using Score-based Generative Modeling
von: Hsu, Alan, et al.
Veröffentlicht: (2024)

A Data-Driven Prism: Multi-View Source Separation with Diffusion Model Priors
von: Wagner-Carena, Sebastian, et al.
Veröffentlicht: (2025)

Model-agnostic basis functions for the 2-point correlation function of dark matter in linear theory
von: Paranjape, Aseem, et al.
Veröffentlicht: (2024)

LtU-ILI: An All-in-One Framework for Implicit Inference in Astrophysics and Cosmology
von: Ho, Matthew, et al.
Veröffentlicht: (2024)

Evolving Wormholes in a Cosmological Background
von: Zangeneh, Mahdi Kord, et al.
Veröffentlicht: (2025)

The Revised Evolutionary Volume Tolman Test: Cosmological Constraints from Galaxy Evolution
von: Conselice, Christopher J., et al.
Veröffentlicht: (2026)

Symbolic Emulators for Cosmology: Accelerating Cosmological Analyses Without Sacrificing Precision
von: Bartlett, Deaglan J., et al.
Veröffentlicht: (2025)

Cosmological parameter estimation with Genetic Algorithms
von: Medel-Esquivel, Ricardo, et al.
Veröffentlicht: (2023)

Simple lessons from complex learning: what a neural network model learns about cosmic structure formation
von: Jamieson, Drew, et al.
Veröffentlicht: (2022)