基于机器学习的星-行星系统潮汐演化仿真应用
地球与行星天体物理
2024-08-30 v1 太阳与恒星天体物理
机器学习
摘要
随着天文数据的大规模释放，发现的越来越多的靠近的热巨行星不断涌现。使用星-行星相互作用模型计算其演化曲线 presents a 挑战。为了加速生成这些靠近热巨行星系统的演化曲线，我们利用基于 MESA 的潮汐相互作用模型构建了 15,745 个星-行星系统样本和 7,500 个恒星样本。此外，我们采用神经网络（多层感知器 - MLP）来预测系统的演化曲线，包括星体有效温度、半径、恒星自转周期以及行星轨道周期。预测得到的演化曲线的中位数相对误差分别为 0.15%、0.43%、2.61% 和 0.57%。此外，我们生成演化曲线的速度比模型生成的曲线快了超过四个数量级。我们还提取了行星迁移状态的特征，并利用 lightGBM 将样本分类为 6 个类别进行预测。我们发现，通过将三个进行长期双向同步的类型合并为一个标签，分类器能够有效识别这些特征。除了经历长期双向同步的系统外，预测得到的演化曲线的中位数相对误差均小于 4%。我们的工作提供了一种在准确率几乎不变的情况下显著节省计算资源和时间的高效方法。这一研究为分析不同迁移状态下系统的演化特征奠定了基础，有助于理解此类系统的潜在物理机制。最后，就我们的方法而言，可以在很大程度上取代理论模型的计算。
引用
@article{arxiv.2408.16212,
title = {The Application of Machine Learning in Tidal Evolution Simulation of Star-Planet Systems},
author = {Shuaishuai Guo and Jianheng Guo and KaiFan Ji and Hui Liu and Lei Xing},
journal= {arXiv preprint arXiv:2408.16212},
year = {2024}
}