使用傅里叶神经算子对湍流和自引力流动进行建模
星系天体物理
2025-08-01 v1 天体物理仪器与方法
摘要
神经算子（NOs）是求解偏微分方程的领先代理建模方法。与传统神经网络不同，后者逼近单个函数，而 NOs 在函数空间之间学习映射。尽管 NOs 在简化的 1D 和 2D 问题上进行了测试，如先前工作中所探讨的，这些研究未能解决更真实、高维和高动力范围系统的复杂性。此外，许多现实应用涉及不完整或噪声数据，这在当前 NO 文献中尚未得到充分探讨。本文提出了将 NOs 应用于天体物理数据的新方法，这涉及对观测空间的高动力范围投影。我们训练傅里叶 NO（FNO）模型，以预测不完整观测代理的演化，密度变化跨越四个数量级。我们证明 FNOs 能够预测未观察的动力变量的影响。本工作为未来预测直接天文可观测量的研究奠定了基础。
引用
@article{arxiv.2507.23662,
title = {Modeling turbulent and self-gravitating fluids with Fourier neural operators},
author = {Keith Poletti and Stella S. R. Offner and Rachel A. Ward},
journal= {arXiv preprint arXiv:2507.23662},
year = {2025}
}