神经天体物理风模型
星系天体物理
2023-06-27 v2 机器学习
数据分析、统计与概率
流体动力学
摘要
由超新星驱动的热星系风的宏观运动学与热力学关键依赖于扫过的冷云物质总量以及非球形准直流动几何。然而，准确参数化这些物理过程十分困难，因为其函数形式通常未知，且耦合的非线性流动方程含有奇点。我们展示了将深度神经网络作为各项嵌入控制耦合常微分方程 (ODEs) 中，可作为一种监督学习任务稳健地发现这两类物理，而无需任何关于真实函数结构的先验知识。我们基于马赫数而非显式求解的三个守恒变量优化损失函数，并对接近发散的解施加惩罚项。相同的神经网络架构被用于同时学习隐藏的质量加载率和表面积膨胀率。该工作进一步凸显了神经 ODE 作为具有机制可解释性的非线性反问题发现工具的潜力。
引用
@article{arxiv.2306.11666,
title = {Neural Astrophysical Wind Models},
author = {Dustin D. Nguyen},
journal= {arXiv preprint arXiv:2306.11666},
year = {2023}
}
备注
7 Pages, 4 Figures, Accepted at the ICML 2023 Workshop on Machine Learning for Astrophysics; v2) fixed typos