预测恒星质量吸积：时间序列建模中一种优化的回声状态网络方法
太阳与恒星天体物理
2023-04-18 v2 星系天体物理
天体物理仪器与方法
摘要
对原恒星盘形成与演化的动力学以及恒星质量吸积历史的建模，通常涉及耦合微分方程组的复杂数值求解。已知原恒星的质量吸积历史由于反复出现的不稳定性而高度 episodic，并表现出短时标闪烁。通过利用神经网络的强预测能力，我们提取了质量吸积期间经历的一些关键时间动力学，包括不稳定期。特别地，我们利用了回声状态神经网络 (ESN) 的一种新形式，其已被证明能高效处理具有内在非线性的数据。我们引入优化-ESN (Opt-ESN) 的使用，以对原恒星盘演化中的质量吸积率进行独立于模型的时序预测。我们将该网络应用于具有不同初始条件并展现多种时间动力学的多个流体动力学模拟，以展示 Opt-ESN 模型的可预测性。模型在 Myr 的模拟数据上训练，并对 100 至 3800 yr 范围的预测取得低归一化均方误差 ( 至 )。该结果表明基于机器学习的模型在时间域天文学中应用的前景。
引用
@article{arxiv.2302.03742,
title = {Predicting Stellar Mass Accretion: An Optimized Echo State Network Approach in Time Series Modeling},
author = {Gianfranco Bino and Shantanu Basu and Ramit Dey and Sayantan Auddy and Lyle Muller and Eduard I. Vorobyov},
journal= {arXiv preprint arXiv:2302.03742},
year = {2023}
}
备注
16 pages, 13 figures