Accelerating Giant Impact Simulations with Machine Learning

要約

観測された系外惑星の個体数に基づいて惑星形成モデルを制約するには、合成惑星系の大量のサンプルを生成する必要がありますが、これには法外な計算量がかかる可能性があります。
重大なボトルネックは、惑星の胚が重力によって進化して結合して惑星を形成する巨大衝突段階をシミュレートすることであり、その後惑星自体が衝突を経験する可能性があります。
巨大衝突シミュレーションを加速するために、多惑星システムにおける衝突結果を予測するための機械学習 (ML) アプローチを紹介します。
3 つの惑星系の 500,000 $N$ 体以上のシミュレーションでトレーニングされ、どの 2 つの惑星が衝突するか、および衝突後の惑星の状態を正確に予測できる ML モデルを、短時間の統合から開発しました。
システムの初期状態。
私たちのモデルは、どの惑星のペアが衝突するかを正確に予測するのが難しい力学理論の指標に依存する非 ML ベースラインを大幅に改善します。
長期安定性を予測するモデルと組み合わせることで、効率的な ML ベースの巨大衝突エミュレータを作成します。これにより、最大 4 桁高速化して巨大衝突シミュレーションの結果を予測できます。
私たちは、このモデルによって、他の方法では計算的に実行不可能な解析が可能になることを期待しています。
そのため、衝突結果モデルと巨大衝撃エミュレーター用の使いやすい API とともに、完全なトレーニング コードをリリースします。

要約(オリジナル)

Constraining planet formation models based on the observed exoplanet population requires generating large samples of synthetic planetary systems, which can be computationally prohibitive. A significant bottleneck is simulating the giant impact phase, during which planetary embryos evolve gravitationally and combine to form planets, which may themselves experience later collisions. To accelerate giant impact simulations, we present a machine learning (ML) approach to predicting collisional outcomes in multiplanet systems. Trained on more than 500,000 $N$-body simulations of three-planet systems, we develop an ML model that can accurately predict which two planets will experience a collision, along with the state of the post-collision planets, from a short integration of the system’s initial conditions. Our model greatly improves on non-ML baselines that rely on metrics from dynamics theory, which struggle to accurately predict which pair of planets will experience a collision. By combining with a model for predicting long-term stability, we create an efficient ML-based giant impact emulator, which can predict the outcomes of giant impact simulations with a speedup of up to four orders of magnitude. We expect our model to enable analyses that would not otherwise be computationally feasible. As such, we release our full training code, along with an easy-to-use API for our collision outcome model and giant impact emulator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google