Neural Astrophysical Wind Models

要約

熱い超新星によって引き起こされる銀河風のバルク運動学と熱力学は、巻き上げられる冷たい雲の量と非球形の平行流の形状の両方に大きく依存します。
ただし、関数形式が不明なことが多く、結合された非線形流れ方程式には特異点が含まれるため、これらの物理を正確にパラメーター化することは困難です。
私たちは、支配的な結合常微分方程式 (ODE) に個々の項として埋め込まれたディープ ニューラル ネットワークが、真の関数構造に関する事前知識がなくても、教師あり学習タスクとしてこれらの物理の両方を確実に発見できることを示します。
明示的に解かれた 3 つの保存変数ではなく、マッハ数に基づいて損失関数を最適化し、発散に近い解に対してペナルティ項を適用します。
同じニューラル ネットワーク アーキテクチャが、隠れた質量負荷と表面積の拡大率の両方を学習するために使用されます。
この研究は、非線形逆問題に対する機構的な解釈可能性を備えた有望な発見ツールとしてのニューラル ODE の実現可能性をさらに強調しています。

要約(オリジナル)

The bulk kinematics and thermodynamics of hot supernovae-driven galactic winds is critically dependent on both the amount of swept up cool clouds and non-spherical collimated flow geometry. However, accurately parameterizing these physics is difficult because their functional forms are often unknown, and because the coupled non-linear flow equations contain singularities. We show that deep neural networks embedded as individual terms in the governing coupled ordinary differential equations (ODEs) can robustly discover both of these physics, without any prior knowledge of the true function structure, as a supervised learning task. We optimize a loss function based on the Mach number, rather than the explicitly solved-for 3 conserved variables, and apply a penalty term towards near-diverging solutions. The same neural network architecture is used for learning both the hidden mass-loading and surface area expansion rates. This work further highlights the feasibility of neural ODEs as a promising discovery tool with mechanistic interpretability for non-linear inverse problems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google