基于卷积神经网络的星际介质声速马赫数估计

理解湍流在塌造星际介质（ISM）中所扮演的角色对于研究星形成、分子云演化和宇宙射线传播至关重要。其中的核心是声速马赫数（$M_s$）的测量，该数值量化了湍流速度与声速之比。本文引入了一种基于卷积神经网络（CNN）的用于直接从光谱观测中估计 $M_s$ 的方法。该方法利用 $M_s$ 增大与激波引起的小尺度波动之间的物理关联，这些波动会改变强度、速度质心和速度通道图中的形态特征。这些图从 3D 磁流体动力学（MHD）湍流模拟中得出，作为 CNN 训练的输入。通过学习这些结构特征与潜在湍流属性之间的关系，CNN 能够在包括不同磁场和观测噪声水平条件下预测 $M_s$。CNN 预测的 $M_s$ 的中位数不确定性随噪声水平而变化，范围为 0.5 到 1.5。虽然强度图提供了较低的不确定性，但通道图具有预测 3D $M_s$ 分布的优势，这在估计 3D 磁场强度方面至关重要。我们的结果表明，机器学习方法能够有效地表征 ISM 中复杂湍流属性。