从星历表发现天体间有效相互作用核的机器学习方法
地球与行星天体物理
2021-08-27 v1 天体物理仪器与方法
人工智能
机器学习
数值分析
数值分析
摘要
构建天体运动底层机制的准确且可预测模型激发了理论物理的基础性发展。候选理论力求尽可能忠实地解释观测并预测行星、恒星及其他天体的未来位置。我们采用数据驱动的学习方法，将 Lu 等人（2019）提出并在 Zhong 等人（2020）中扩展的方法加以推广，以推导太阳系中天体运动的稳定且准确的模型。我们的模型基于集体动力学框架，并从 NASA 喷气推进实验室的发展星历表中学习。通过将太阳系主要天体建模为成对交互的智能体，我们学习到的模型生成了极其准确的动力学，不仅保留了轨道的固有几何性质，还保留了诸如近日点进动率等高度敏感的动力学特征。我们学习到的模型能对观测数据提供统一解释，特别是在重现火星、水星和月球的近日点进动方面。此外，我们的模型在所有情况下均优于牛顿万有引力定律，并且在月球上表现与由爱因斯坦广义相对论导出的 Einstein-Infeld-Hoffman 方程相似或更优。
引用
@article{arxiv.2108.11894,
title = {Machine Learning for Discovering Effective Interaction Kernels between Celestial Bodies from Ephemerides},
author = {Ming Zhong and Jason Miller and Mauro Maggioni},
journal= {arXiv preprint arXiv:2108.11894},
year = {2021}
}