用于高效分布双星演化模拟的主动学习
太阳与恒星天体物理
2022-11-08 v3 机器学习
摘要
双星经历多种相互作用和演化阶段，对预测和解释观测性质至关重要。采用完整恒星结构与演化模拟的双星族合成计算代价高昂，需要大量质量转移序列。近期开发的双星族合成代码 POSYDON 整合了 MESA 双星模拟网格，然后插值以建模大规模大质量双星族。计算高密度直线网格模拟的传统方法对于更高维网格（考虑一系列金属丰度、自转和偏心率）不可扩展。我们提出一种新的主动学习算法 psy-cris，它在数据收集过程中使用机器学习来自适应且迭代地选择要运行的目标模拟，从而产生定制的、高性能训练集。我们在一个玩具问题上测试 psy-cris，发现所得训练集比规则或随机采样网格需要更少的模拟即可实现准确分类与回归。我们进一步将 psy-cris 应用于构建 MESA 模拟动态网格的目标问题，并证明即便未经精细调参，仅约直线网格大小 的模拟集就足以达到相同的分类精度。我们预期当算法参数针对目标应用优化后会有进一步提升。我们发现仅优化分类可能导致回归性能损失，反之亦然。降低生成网格的计算成本将使未来版本的 POSYDON 能够覆盖更多输入参数同时保持插值精度。
引用
@article{arxiv.2203.16683,
title = {Active Learning for Computationally Efficient Distribution of Binary Evolution Simulations},
author = {Kyle Akira Rocha and Jeff J. Andrews and Christopher P. L. Berry and Zoheyr Doctor and Aggelos K. Katsaggelos and Juan Gabriel Serra Pérez and Pablo Marchant and Vicky Kalogera and Scott Coughlin and Simone S. Bavera and Aaron Dotter and Tassos Fragos and Konstantinos Kovlakas and Devina Misra and Zepei Xing and Emmanouil Zapartas},
journal= {arXiv preprint arXiv:2203.16683},
year = {2022}
}
备注
21 pages, 10 figures, ApJ in press