利用深度学习从投影密度图测量湍流气体的谱指数

湍流在分子云的恒星形成中起着关键作用，影响星团初始性质。由于对现今天体的建模取决于对其初始条件的理解，对湍流的更好约束可带来银河系考古学、星团动力学和恒星形成的意外收获。在观测上，约束湍流气体的谱指数通常涉及从速度图计算能谱。此处我们提出，谱指数的信息可能通过深度学习直接从柱密度图（可能由尘埃发射/吸收获得）推断。我们使用流体模拟代码 RAMSES 从一大组自适应网格加密湍流气体模拟生成模拟密度图。我们在所得图像上训练卷积神经网络（CNN）以预测湍流指数，在验证中优化超参数并在保留集上测试。我们采用的 CNN 模型在底层谱指数范围 3 到 4.5 的保留集预测中达到 0.024 的均方误差。我们还通过将模型应用于改变的保留集图像以及通过以不同分辨率运行模拟获得的图像来进行鲁棒性测试。这一针对模拟密度图的初步结果鼓励在真实数据上的进一步发展，其中需要考虑观测偏差和其他问题。