基于深度学习的黑洞天气预报：一项初步研究

在这项初步研究中，我们探究使用深度学习（DL）模型以辐射低效吸积流（RIAF）的形式对吸积到黑洞上的气体动力学进行时间演化。我们训练了一台机器，利用卷积神经网络（CNN）和一个由水动力学方程在一系列初始条件下的数值解组成的训练数据集，来预测这种时空混沌系统——即黑洞天气预报。我们发现深度神经网络似乎能很好地学习黑洞吸积物理，并以比传统数值求解器快数个数量级的速率演化吸积流，同时在长时间内保持合理的精度。例如，CNN 能很好地预测 RIAF 在长达 $8\times 10^4 GM/c^3$（对应于 $r=100 GM/c^2$ 处的 80 个动力学时间）的时间演化。该 DL 模型能够以良好精度从训练数据集中未出现的初始条件演化流场。因此，我们的方法似乎具有很好的泛化能力。一旦训练完成，该 DL 模型在单个 GPU 上演化湍流 RIAF 的速度比在 200 个 CPU 核心上并行运行的常规流体动力学积分器快四个数量级。我们推测，数据驱动的机器学习方法不仅有望加速流体动力学模拟，也有望加速广义相对论磁流体动力学模拟。