PPDONet: Deep Operator Networks for Fast Prediction of Steady-State Solutions in Disk-Planet Systems

要約

私たちは、原始惑星系円盤における円盤と惑星の相互作用の解をリアルタイムで予測できる、原始惑星系ディスクオペレーターネットワーク (PPDONet) と名付けたツールを開発しました。
私たちのツールは、決定論的および確率的微分方程式を表す非線形演算子を学習できるニューラル ネットワークのクラスであるディープ オペレーター ネットワーク (DeepONets) に基づいています。
PPDONet を使用して、円盤-惑星系の 3 つのスカラー パラメーター (シャクラとスニャエフの粘度 $\alpha$、円盤のアスペクト比 $h_\mathrm{0}$、惑星と星の質量比 $q$) をマッピングします。
– ディスク表面密度、半径方向速度、方位角速度の定常状態の解。
包括的なテスト セットを使用して、PPDONet ソリューションの精度を実証します。
私たちのツールは、ラップトップ上で 1 秒未満で 1 つのシステムのディスクと惑星の相互作用の結果を予測できます。
PPDONet の公開実装は \url{https://github.com/smao-astro/PPDONet} で入手できます。

要約(オリジナル)

We develop a tool, which we name Protoplanetary Disk Operator Network (PPDONet), that can predict the solution of disk-planet interactions in protoplanetary disks in real-time. We base our tool on Deep Operator Networks (DeepONets), a class of neural networks capable of learning non-linear operators to represent deterministic and stochastic differential equations. With PPDONet we map three scalar parameters in a disk-planet system — the Shakura \& Sunyaev viscosity $\alpha$, the disk aspect ratio $h_\mathrm{0}$, and the planet-star mass ratio $q$ — to steady-state solutions of the disk surface density, radial velocity, and azimuthal velocity. We demonstrate the accuracy of the PPDONet solutions using a comprehensive set of tests. Our tool is able to predict the outcome of disk-planet interaction for one system in less than a second on a laptop. A public implementation of PPDONet is available at \url{https://github.com/smao-astro/PPDONet}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google