使用深度神经网络计算形成中行星的质量

计算行星包层的质量以及行星以失控方式吸积气体的临界质量，在研究行星形成时十分重要，尤其对于直至海王星质量范围的行星。该计算原则上需要求解一组微分方程（内部结构方程），并给定一些边界条件（原行星盘中行星形成处的压力、温度、行星核质量与固体吸积率）。求解这些方程反过来被证明耗时且有时数值不稳定。我们开发了一种方法，以近似多种边界条件下积分内部结构方程的结果。我们针对极大量（数百万）边界条件计算了一组行星内部结构，考虑两种不透明度（ISM与reduced）。该数据库随后被用于训练深度神经网络，以根据边界条件预测临界核质量以及行星包层质量。我们表明，我们的神经网络对求解内部结构方程所得结果提供了非常好的近似（百分之一水平），但所需计算机时间大幅减少。与真实解的差异远小于文献中一些解析公式所得者，后者至多仅提供正确数量级。我们将DNN结果与其他流行机器学习方法（随机森林、梯度提升、支持向量回归）比较，表明DNN以至少两倍的因子优于这些方法。我们表明，各类论文中可发现的某些解析公式会严重高估行星质量，从而预测木星质量区间而非海王星质量区间的行星形成。