MHD 湍流模式能量分数的机器学习估计

磁流体动力学（MHD）湍流在星际介质（ISM）的许多天体物理过程中起着核心作用，包括恒星形成以及宇宙射线的传输和加速。MHD 湍流可以分解为三种基本模式——快、慢和 Alfvén 模式——每种模式对介质动力学的贡献各不相同。然而，由于观测仅能提供有限的二维信息，表征和分离这些模式的能量分数一直具有挑战性。为了解决这一困难，我们使用三维等温和多相 MHD 湍流模拟来研究模式能量分数在不同物理条件下的变化。总体而言，我们发现 Alfvén 模式和慢模式携带相当的动能分数，并在多相介质中共同主导湍流能量收支，而快模式的贡献分数最小。与等温条件相比，多相模拟表现出增强的快模式能量分数。我们进一步引入了一种基于机器学习的方法，采用条件残差神经网络直接从光谱数据中推断这些分数。该方法利用了三种 MHD 模式由于对密度和速度波动的不同贡献而在光谱图上留下独特形态特征这一事实。我们的模型在一组涵盖典型 ISM 条件的等温和多相模拟上进行了训练。我们证明，我们的机器学习模型能够从光谱观测量中恢复模式分数，对于已见数据，平均相对归一化误差约为 0，标准差为 0.01 - 0.02；对于未见数据，标准差为 0.1 - 1.8。