NeuralPDR：用于光致分解区域的神经微分方程代理模型
星系天体物理
2025-06-18 v1 机器学习
摘要
计算天体化学模型对于解释和理解不同天体环境的观测结果至关重要。随着 JWST 和 ALMA 等高分辨率望远镜的出现，许多天体物体的亚结构结构得以解析，这导致对这些尺度上的天体化学建模提出了需求，即模拟结果必须同时包含物理与化学才能准确解释观测数据。将三维流体动力学与化学耦合的模拟计算成本极高，为采用代理模型取代化学求解器提供了可能。本文提出了可替代原始化学代码的代理模型，即 Latent Augmented Neural Ordinary Differential Equations。我们在三个数据集上训练这些代理模型，其中最后一个数据集直接来自使用光致分解区域（PDR）代码 3D-PDR 对分子云的三维模拟。我们展示，这些代理模型能够提供加速效果并再现数据集的原始可观测列密度图。这使得能够在 GPU 上快速推断化学过程，从而加快观测的统计推断或提高流体动力学模拟中天体环境分辨率。
引用
@article{arxiv.2506.14270,
title = {NeuralPDR: Neural Differential Equations as surrogate models for Photodissociation Regions},
author = {Gijs Vermariën and Thomas G. Bisbas and Serena Viti and Yue Zhao and Xuefei Tang and Rahul Ravichandran},
journal= {arXiv preprint arXiv:2506.14270},
year = {2025}
}
备注
Accepted for publication in Machine Learning: Science and Technology. Focus on ML and the Physical Sciences, Mach. Learn.: Sci. Technol (2025)