从模拟湍流气体的密度图深度学习宇宙线输运

银河宇宙线（CRs）的粗粒化传播传统上受限于与各种直接和间接观测量拟合的银河系 CR 传播唯象模型；然而，约束 CRs 沿单根磁力线的细粒度输运——例如扩散输运模型与流输运模型——仍是一个未解决的挑战。利用最近一组包含跨越一系列输运参数的 CRs 的磁流体动力学湍流盒模拟训练集，我们使用仅基于气体密度图训练的卷积神经网络（CNNs）来分类 CR 输运模式。我们发现，即使是相对简单的 CNNs 也能非常有效地将密度切片分类到对应的 CR 输运参数，区分流输运和扩散输运以及扩散系数的大小，分类准确率在 $92\%$ 到 $99\%$ 之间。正如我们所展示的，CRs 在气体上留下的依赖于输运的印记并非都与最终的密度功率谱有关：即使图像谱被展平，分类准确率仍然很高（$85\%$ 到 $98\%$ 的准确率），这突显了 CR 输运对湍流相位信息的依赖性改变。我们通过显著性图和图像修改来解释我们的结果，并讨论了物理洞察和未来应用。