高分辨率星系模拟中计算昂贵的超新星模拟的代理建模
星系天体物理
2023-11-16 v1 人工智能
机器学习
摘要
已知一些恒星在生命末期会发生爆炸，称为超新星（SNe）。SNe释放的大量物质和能量对星系中的恒星形成和气体动力学提供了显著的反馈。SNe向星际介质释放大量物质和能量，从而对星系中的恒星形成和气体动力学产生显著反馈。尽管这种反馈在星系形成与演化中起着关键作用，但在星系形成模拟中，由于缺乏分辨率，仅使用了简单的子网格模型来实现，而非详细数值求解SNe周围气体元的演化。我们开发了一种结合机器学习与Gibbs采样的方法，以预测超新星（SN）如何影响周围气体。我们的模型在热能和动量分布上的保真度优于低分辨率SN模拟。我们的方法可以替代SN子网格模型，并有助于在星系形成模拟中恰当模拟未分辨的SN反馈。我们发现，采用这一新方法可将所需计算成本降低至直接分辨SN反馈的约1%。
引用
@article{arxiv.2311.08460,
title = {Surrogate Modeling for Computationally Expensive Simulations of Supernovae in High-Resolution Galaxy Simulations},
author = {Keiya Hirashima and Kana Moriwaki and Michiko S. Fujii and Yutaka Hirai and Takayuki R. Saitoh and Junichiro Makino and Shirley Ho},
journal= {arXiv preprint arXiv:2311.08460},
year = {2023}
}
备注
11 pages, 9 figures, Accepted for the NeurIPS 2023 AI4Science Workshop