贝叶斯神经网络预测致密行星系统的瓦解
地球与行星天体物理
2021-10-20 v1 天体物理仪器与方法
人工智能
机器学习
机器学习
摘要
尽管历经三百余年努力，仍无预测一般行星构型何时失稳的解法。我们引入一种深度学习架构以推进致密系统的此问题。当前该领域的机器学习算法依赖科学家导出的不稳定度量为依据，而我们的新技术从零学习自身度量，这由受动力学理论启发的新颖内部结构所赋能。我们的贝叶斯神经网络模型不仅能准确预测三颗或更多行星的致密行星系统是否失稳，还能预测其何时失稳。我们的模型直接由原始轨道要素的短时N体时间序列训练，在预测失稳时间上比解析估计精确两个数量级以上，同时将现有机器学习算法的偏差降低近三倍。尽管训练于致密共振与近共振三行星构型，该模型对非共振与更高重数构型均展现稳健泛化，在后者上优于针对该特定积分集拟合的模型。该模型计算失稳估计比数值积分器快达五个数量级，且不同于以往工作，提供预测上的置信区间。我们的推断模型公开于SPOCK包中，训练代码已开源。
引用
@article{arxiv.2101.04117,
title = {A Bayesian neural network predicts the dissolution of compact planetary systems},
author = {Miles Cranmer and Daniel Tamayo and Hanno Rein and Peter Battaglia and Samuel Hadden and Philip J. Armitage and Shirley Ho and David N. Spergel},
journal= {arXiv preprint arXiv:2101.04117},
year = {2021}
}
备注
8 content pages, 7 appendix and references. 8 figures. Source code at: https://github.com/MilesCranmer/bnn_chaos_model inference code at https://github.com/dtamayo/spock