磁化分子云中预星 core 预测：基于极端梯度提升的机器学习

巨型分子云（GMCs）由亚声速湍流主导，形成复杂的冲击和纤维网络，调节星际形成。虽然星际形成的总体效率已得到良好观测，但准确预测湍流云中哪些气体簇将坍缩以形成恒星仍是一个挑战。本文提出一种监督式机器学习框架，用于预测磁流体力学（MHD）湍流中预星 core 的拉格朗日历史。我们利用极端梯度提升（XGBoost）在约 210 万个 tracer 粒子的轨迹上训练回归模型，这些粒子在自身引力、湍流 MHD 仿真中演化。通过将气体簇的瞬时相空间状态（位置、速度和密度）映射到其未来坐标，我们的模型成功预测了恒星形成 core 超过 0.45 万亿年（$0.25~t_{\rm ff}$）的三维演化。我们实现了全局系数 determination 为 $R^2 > 0.99$，并演示模型捕捉了引力坍缩特征的非线性收敛流。关键的是，我们表明局部相空间信息本身足以区分瞬时密度波动与束缚坍缩 core。这种数据驱动的方法提供了传统 sink 粒子算法的计算效率更高的替代方案，并为开发银河尺度仿真的高保真亚网格模型提供了路径。