面向动力学等离子体模拟中追踪粒子分析的神经网络

天体物理等离子体中程序加速过程常通过完全动力学或混合动力学数值模拟进行研究，这些模拟使我们能够描述粒子能量化机制的详细微物理过程。对单颗粒子在此类模拟中的轨迹进行追踪尤其有用。然而， 通过目视检查粒子轨迹会引入显著的偏差和不确定性，使我们难以确定特定的加速机制。 本文提出了一种新方法，利用神经网络辅助分析单个粒子数据。 我们以我们最近进行的二维无相对论垂直冲击的粒子-in-cell(PIC)模拟数据集演示了此方法的有效性，该数据集包含252,000个电子，每个电子在1200个时间步中记录其位置、动量和电磁场。这些电子穿过受电静力学本尼曼不稳定性影响的区域，其中一小部分电子获得高能。我们使用卷积神经网络、多层感知器和自编码器对数据集执行分类、回归和异常检测算法。尽管数据集噪声大且不平衡，所有方法都表现出在光谱和加速电子之间进行区分的能力。该提出的方法可能大大简化大规模PIC和混合模拟中的粒子分类。