ACTIONFINDER：一种从无轨道段集合计算作用量与加速度场的无监督深度学习算法
星系天体物理
2023-03-06 v2 计算物理
摘要
我们介绍了“ACTIONFINDER”，一种深度学习算法，旨在将静态势中沿轨道的相空间测量样本转换为作用量与角变量坐标。该算法利用同一轨道上各点具有相同作用量这一事实，以无监督方式找到从位置与速度到作用量与角变量的映射。本文介绍了该方法的工作原理，并在简单轴对称模型上进行了测试，将所得作用量与环面映射（Torus Mapping）技术生成的作用量进行比较。我们表明，在银河系的实际模型中，它仅用少至1024个输入相空间测量值，便以约0.6%的精度恢复了环面作用量（针对晕型轨道）。这些作用量沿轨道的守恒程度远优于用Stäckel近似（St"ackel fudge）估算的结果。在我们的案例中，从作用量与角变量到位置与速度的逆映射也可被学习。ACTIONFINDER的优势之一是不需要预先知道底层势，事实上它旨在返回加速度场。我们期望该算法有助于分析数值模拟中动力系统的性质。然而，我们此项工作的最终目标是将其应用于真实恒星流，以相对不依赖于底层暗物质性质或引力行为的方式恢复银河系加速度场。
引用
@article{arxiv.2012.05250,
title = {The ACTIONFINDER: An unsupervised deep learning algorithm for calculating actions and the acceleration field from a set of orbit segments},
author = {Rodrigo Ibata and Foivos Diakogiannis and Benoit Famaey and Giacomo Monari},
journal= {arXiv preprint arXiv:2012.05250},
year = {2023}
}
备注
17 pages, 5 figures, accepted by ApJ. The revision shows that the method works well on test orbits defined by Sanders & Binney (2016), as well as on the output of an N-body simulation