GRINN：一种用于求解含自引力流体动力学系统的物理信息神经网络
机器学习
2023-08-17 v1 星系天体物理
天体物理仪器与方法
太阳与恒星天体物理
人工智能
摘要
建模自引力气体流动对于回答天体物理中许多基本问题至关重要。这涵盖行星形成盘、恒星形成云、星系形成以及宇宙大尺度结构演化等诸多课题。然而，引力与流体动力学间的非线性相互作用为求解所得三维(3D)含时偏微分方程(PDEs)带来巨大挑战。通过在无网格框架内利用神经网络的通用逼近能力，物理信息神经网络(PINNs)为解决该挑战提供了新途径。我们引入引力信息神经网络(GRINN)——一种基于 PINN 的代码——以模拟 3D 自引力流体动力学系统。此处我们具体研究等温气体中的引力不稳定性与波传播。我们的结果在线性区与线性解析解吻合至 1% 以内，在扰动增长至非线性区时与常规网格代码解吻合至 5% 以内。我们发现 GRINN 的计算时间不随维数增加而缩放，这与基于网格的代码在流体与自引力计算随维数增加的缩放行为形成对比。我们的结果表明，GRINN 在一维与二维计算中的时间长于网格代码，但在具有相似精度的 3D 中比网格代码少一个数量级。像 GRINN 这样的物理信息神经网络因而展现出推进我们建模 3D 天体物理流动能力的前景。
引用
@article{arxiv.2308.08010,
title = {GRINN: A Physics-Informed Neural Network for solving hydrodynamic systems in the presence of self-gravity},
author = {Sayantan Auddy and Ramit Dey and Neal J. Turner and Shantanu Basu},
journal= {arXiv preprint arXiv:2308.08010},
year = {2023}
}