使用机器学习加速巨型冲击模拟

约束基于观察到的系外行星人口的行星形成模型需要生成大量的人造行星系统样本，这在计算上往往是昂贵的。一个重要瓶颈是模拟巨型冲击阶段，在该阶段中，行星胚胎在引力作用下演化并合并以形成行星，行星本身可能经历后续碰撞。为加速巨型冲击模拟，我们提出一种机器学习（ML）方法来预测多行星系统中的碰撞结果。我们训练了一个基于超过50万次三体系统N体模拟的数据集的ML模型，能够准确预测哪两个行星将经历碰撞，以及碰撞后行星的状态，从初始条件的短积分中获得。我们的模型在基于动力学理论指标的非ML基线上具有显著优势，这些基线在准确预测哪一对行星将经历碰撞方面困难。通过结合用于预测长期稳定性的模型，我们创建了一个基于ML的巨型冲击模拟器，能够以合理的准确率预测巨型冲击模拟的结果，加速最高可达四个数量级。我们预期我们的模型将使那些原本在计算上不可行的分析成为可能。因此，我们发布我们的训练代码，以及用于我们的碰撞结果模型和巨型冲击模拟器的易用API。