机器学习预测紧密行星系统的稳定性
地球与行星天体物理
2016-12-07 v2
摘要
行星系统必须满足动力学稳定性这一要求，常被用于审查新发现或对未约束的质量与轨道要素设定限制。这通常通过计算成本高昂的 N 体模拟来完成。我们证明，刻画紧密行星系统复杂且多维的稳定性边界适合采用机器学习方法。我们发现，基于物理驱动的特征训练 XGBoost 机器学习算法，可以得到一个对紧密系统稳定性进行准确分类的分类器。在所研究的稳定性时标（ 轨道周期）上，该方法比直接 N 体模拟快 3 个数量级。因此，针对动力学稳定性优化的机器学习分类器可能在整个学科中发挥作用，例如，用于刻画即将由凌星系外行星巡天卫星（TESS）发现的系外行星样本。这一概念验证表明，值得投入计算资源来训练能够预测更长时标和更广相空间区域稳定性的算法。
引用
@article{arxiv.1610.05359,
title = {A Machine Learns to Predict the Stability of Tightly Packed Planetary Systems},
author = {Daniel Tamayo and Ari Silburt and Diana Valencia and Kristen Menou and Mohamad Ali-Dib and Cristobal Petrovich and Chelsea X. Huang and Hanno Rein and Christa van Laerhoven and Adiv Paradise and Alysa Obertas and Norman Murray},
journal= {arXiv preprint arXiv:1610.05359},
year = {2016}
}
备注
Accepted in ApJ letters. 7 pages, 3 figures