用于对 astrophysical 核反应流建模的深度神经网络
天体物理仪器与方法
2025-10-14 v2
摘要
在天体物理仿真中，核反应流由于反应网络的刚性，带来计算挑战。我们引入基于深度神经网络的代理模型，采用 DeePODE 框架以在保持精度和鲁健性的同时提高仿真效率。我们的方法将传统刚性 ODE 求解器替换为通过零维仿真数据进行演化蒙特卡洛采样训练的深度学习模型，确保在 varied thermonuclear 和 hydrodynamic 条件下的泛化能力。在测试 3 物种和 13 物种反应网络时，模型相对于半隐式数值解实现小于 1% 的精度，并在 CPU 上实现约 2.6 倍的加速。采用温度阈值部署策略可确保在极端条件下的稳定性，在多维仿真中保持神经网络利用率超过 75%。这些数据驱动的代理模型有效缓解了刚性约束，为高保真天体物理核反应流建模提供可扩展方法。
引用
@article{arxiv.2504.14180,
title = {Deep Neural Networks for Modeling Astrophysical Nuclear Reacting Flows},
author = {Xiaoyu Zhang and Yuxiao Yi and Lile Wang and Zhi-Qin John Xu and Tianhan Zhang and Yao Zhou},
journal= {arXiv preprint arXiv:2504.14180},
year = {2025}
}