用于新物理探测的机器学习非保守动力学
机器学习
2021-11-24 v2 天体物理仪器与方法
广义相对论与量子宇宙学
计算物理
摘要
能量守恒是基本物理原理，其破缺常意味着新物理。本文提出一种数据驱动的“新物理”发现方法。具体而言，给定受未知力支配的轨迹，我们的神经新物理探测器（NNPhD）旨在通过将被力场分解为保守与非保守分量来探测新物理，二者分别由拉格朗日神经网络（LNN）与通用逼近器网络（UAN）表示，训练以最小化力恢复误差加上常数 乘以预测非保守力的大小。我们展示对于任意力普遍在 =1 处发生相变。我们证明 NNPhD 在玩具数值实验中成功发现新物理：从阻尼双摆重新发现摩擦（1493）、从天王星轨道重新发现海王星（1846）、从旋进轨道重新发现引力波（2017）。我们还展示 NNPhD 与积分器耦合在预测阻尼双摆未来演化上优于先前方法。
引用
@article{arxiv.2106.00026,
title = {Machine-Learning Non-Conservative Dynamics for New-Physics Detection},
author = {Ziming Liu and Bohan Wang and Qi Meng and Wei Chen and Max Tegmark and Tie-Yan Liu},
journal= {arXiv preprint arXiv:2106.00026},
year = {2021}
}
备注
17 pages, 7 figs, 2 tables; typo correction