利用去噪扩散概率模型预测分子云的辐射场
星系天体物理
2023-09-13 v1 天体物理仪器与方法
机器学习
摘要
准确量化恒星形成中辐射反馈的影响是一项挑战。为解决这一复杂问题,我们采用深度学习技术——去噪扩散概率模型(DDPMs)——基于 4.5 \um、24 \um 和 250 \um 三波段尘埃发射预测星际辐射场(ISRF)强度。我们采用来自 STARFORGE(STAR FORmation in Gaseous Environments)项目的磁流体动力学模拟,其模拟恒星形成与巨分子云(GMC)演化。我们生成与 Monoceros R2 (MonR2) GMC 中观测到的光谱能量分布相匹配的合成尘埃发射图。我们训练 DDPMs 利用合成三波段尘埃发射估计 ISRF。测试集上预测值与真值间的离散度在 0.1 倍因子以内。我们将扩散模型的评估扩展至包含不同物理参数的新模拟。尽管在这些分布外模拟中观察到一致的偏移,模型仍能将相对强度有效约束在 2 倍因子内。同时,我们的分析揭示仅由尘埃温度导出的 ISRF 与实际 ISRF 之间相关性弱。我们将训练模型应用于预测 MonR2 中的 ISRF,揭示强 ISRF、亮源与高尘埃发射之间的对应,确认了模型捕捉 ISRF 变化的能力。我们的模型稳健地预测辐射反馈分布,即使在受邻近星团影响的复杂、约束不良的 ISRF 环境中。然而,精确的 ISRF 预测需要准确反映目标分子云独特物理条件的训练数据集。
引用
@article{arxiv.2309.05811,
title = {Predicting the Radiation Field of Molecular Clouds using Denoising Diffusion Probabilistic Models},
author = {Duo Xu and Stella Offner and Robert Gutermuth and Michael Grudic and David Guszejnov and Philip Hopkins},
journal= {arXiv preprint arXiv:2309.05811},
year = {2023}
}
备注
Revised submission to ApJ following referee's comments