基于机器学习的中子星包层建模：单隐藏层神经网络应用

热模拟和磁热模拟是推进中子星理解的重要工具，因为它们使我们能够将其内部结构和物理过程的模型与约束宏观性质（如表面温度）的观测结果进行比较。模拟中的一个主要挑战是对最外层——即包层的建模，该包层在几何上极薄的壳层中表现出温度和密度的多个数量级的下降。这通常通过构建一个平面平行近似下的独立包层模型来解决，该模型产生包层底部温度$T_b$与表面温度$T_s$之间的关系。我们的目标是构建一个近似$T_b$-$T_s$关系的通用框架，该框架能够纳入磁场强度和方向带来的依赖关系。我们使用标准方法计算了大量磁化包层模型作为训练样本，并采用单隐藏层前馈神经网络作为近似器，为中子星模拟提供了所需的灵活性、高精度和快速评估能力。我们探索了最优网络架构和超参数选择，并使用了专门设计的留出集以避免对输入数据结构的过拟合。我们发现相对简单的神经网络足以以约3%的精度近似$T_b$-$T_s$关系。所呈现的工作流程可用于广泛的问题，在这些问题中模拟被用于构建近似公式。