核心坍缩超新星模拟中 Eddington 张量的深度学习
高能天体物理现象
2022-02-09 v2 机器学习
摘要
我们训练了深度神经网络（DNNs），以中微子能量密度、通量和流体速度为函数，来复现由我们第一性原理核心坍缩超新星（CCSN）模拟得到的中微子 Eddington 张量。尽管矩方法（中微子输运最流行的近似之一）需要闭合关系，但文献中常用的解析闭合关系均未能捕捉动量空间中中微子角分布的所有方面。本文中，我们利用以中微子能量密度、通量和流体速度为输入、以 Eddington 张量为输出的 DNN 开发了一种闭合关系。我们考虑两类 DNN：一种称为分量式神经网络（CWNN）的常规 DNN 和张量基神经网络（TBNN）。我们发现，尤其对于中低能区，DNN 对 Eddington 张量对角分量的复现优于 M1 闭合关系。对于非对角分量，在大半径处 DNN 比 M1 闭合更贴合 Boltzmann 求解器。在两 DNN 比较中，TBNN 性能略优于 CWNN。借助基于 DNN、能以小得多的代价良好复现 Eddington 张量的新闭合关系，我们为矩方法开辟了新可能。
引用
@article{arxiv.2104.13039,
title = {Deep Learning of the Eddington Tensor in the Core-collapse Supernova Simulation},
author = {Akira Harada and Shota Nishikawa and Shoichi Yamada},
journal= {arXiv preprint arXiv:2104.13039},
year = {2022}
}
备注
15 pages, 13 figures, accepted for publication in the ApJ