基于人工智能的食双星研究 II: PHOEBE前向模型的速度需求
太阳与恒星天体物理
2025-02-18 v2 地球与行星天体物理
星系天体物理
机器学习
摘要
在现代天文学中，收集的数据量已远远超过人工分析的能力，因此需要先进的人工智能（AI）技术来协助科学家完成最劳动密集型的任务。AI可以优化模拟代码，其中计算瓶颈源于生成前向模型所需的时间。一个例子是PHOEBE，一个用于食双星（EBs）的建模代码，其中模拟单个系统是可行的，但分析广泛参数组合的观测值非常耗时。为了解决这个问题，我们提出了一个全连接的前馈人工神经网络（ANN），该网络在由PHOEBE生成的超过一百万个合成光变曲线数据集上进行训练。ANN架构的优化产生了一个具有六个隐藏层、每层512个节点的模型，在准确性和计算复杂度之间提供了优化的平衡。广泛的测试使我们能够确定ANN的适用性限制，并量化使用此类网络进行EB分析相关的系统误差和统计误差。我们的研究结果证明了稀释效应对EB参数估计的关键作用，并概述了在基于AI的模型中纳入这些效应的方法。所提出的ANN框架相比传统方法实现了超过四个数量级的加速，在整个参数空间内系统误差不超过1%，通常低至0.01%。
引用
@article{arxiv.2412.11837,
title = {The Eclipsing Binaries via Artificial Intelligence. II. Need for Speed in PHOEBE Forward Models},
author = {Marcin Wrona and Andrej Prša},
journal= {arXiv preprint arXiv:2412.11837},
year = {2025}
}
备注
21 pages (26 pages in arXiv version), 21 figures, 3 tables