用机器学习重新发现轨道力学

我们提出一种利用机器学习从观测中自动发现真实物理系统的控制方程与隐藏性质的方法。我们训练一个“图神经网络”来从 30 年的轨迹数据模拟太阳系中太阳、行星和大卫星的动力学。然后我们使用符号回归来发现该神经网络隐式学到的力律的解析表达式，我们的结果表明其等价于牛顿引力定律。所需的关键假设是平移和旋转等变，以及牛顿第二和第三运动定律。我们的方法正确地发现了符号力律的形式。此外，我们的方法不需要关于行星和卫星质量或物理常数的任何假设。它们也通过我们的方法被准确推断出来。当然，经典引力定律自艾萨克·牛顿以来就已为人所知，我们的结果验证了我们的方法可以从观测数据中发现未知定律和隐藏性质。更广泛地说，这项工作是迈向实现机器学习加速科学发现潜力的重要一步。