平动情形下平均运动共振行为的机器学习预测
地球与行星天体物理
2022-02-09 v1 天体物理仪器与方法
机器学习
混沌动力学
摘要
最近，机器学习已被用于研究可积哈密顿系统的动力学及混沌三体问题。本工作中，我们考虑非可积系统中规则运动的中间情形：与海王星处于2:3平均运动共振的物体的行为。我们表明，给定来自6250年短期数值积分的初始数据，训练最佳的神经网络(ANN)可预测2:3共振体在随后18750年演化中的轨迹，覆盖合并时间段内的一个完整平动周期。通过将我们ANN对共振角的预测与数值积分结果比较，前者能以仅几度的精度预测共振角，同时具有大幅节省计算时间的优势。更具体地，训练好的ANN可有效测量2:3共振体的共振振幅，从而提供一种可识别共振候选体的快速方法。这有助于对未来巡天中将发现的大量KBOs进行分类。
引用
@article{arxiv.2201.06743,
title = {Machine learning prediction for mean motion resonance behaviour -- The planar case},
author = {Xin Li and Jian Li and Zhihong Jeff Xia and Nikolaos Georgakarakos},
journal= {arXiv preprint arXiv:2201.06743},
year = {2022}
}
备注
12 pages, 9 figures, accepted for pubblication on Monthly Notices of the Royal Astronomical Society