3D-Spatiotemporal Forecasting the Expansion of Supernova Shells Using Deep Learning toward High-Resolution Galaxy Simulations

要約

超新星 (SN) は銀河の形成と進化に重要な役割を果たします。
超並列コンピューティングを使用した高解像度の銀河シミュレーションでは、SNe の短い積分タイムステップが深刻なボトルネックになります。
これは、将来の高解像度銀河シミュレーションのために解決する必要がある緊急の問題です。
考えられる解決策の 1 つは、ハミルトニアン分割法を使用することです。この方法では、短いタイムステップを必要とする領域がシステム全体とは別に統合されます。
この方法を平滑化粒子流体力学シミュレーションで SNe の影響を受ける粒子に適用するには、その後のグローバル ステップで、SN の影響を受けた粒子が存在するシェルの形状を事前に検出する必要があります。
この論文では、SN 爆発後の殻の膨張を予測するための深層学習モデル 3D-MIM を開発します。
粒子質量 $m_{\rm ガス}=1$M$_\odot$ の乱流雲シミュレーションでトレーニングされたこのモデルは、爆発によって密度が 10% 以上減少する異方性のシェル形状を正確に再現します。
また、モデルが不均一な乱流雲のトレーニング データセットを超えて、均一な媒質内のシェル半径を適切に予測することも示します。
私たちは、このモデルにより、SN の影響を受けた粒子が存在するシェルとその内部の予測が可能になると結論付けています。

要約(オリジナル)

Supernova (SN) plays an important role in galaxy formation and evolution. In high-resolution galaxy simulations using massively parallel computing, short integration timesteps for SNe are serious bottlenecks. This is an urgent issue that needs to be resolved for future higher-resolution galaxy simulations. One possible solution would be to use the Hamiltonian splitting method, in which regions requiring short timesteps are integrated separately from the entire system. To apply this method to the particles affected by SNe in a smoothed-particle hydrodynamics simulation, we need to detect the shape of the shell on and within which such SN-affected particles reside during the subsequent global step in advance. In this paper, we develop a deep learning model, 3D-MIM, to predict a shell expansion after a SN explosion. Trained on turbulent cloud simulations with particle mass $m_{\rm gas}=1$M$_\odot$, the model accurately reproduces the anisotropic shell shape, where densities decrease by over 10 per cent by the explosion. We also demonstrate that the model properly predicts the shell radius in the uniform medium beyond the training dataset of inhomogeneous turbulent clouds. We conclude that our model enables the forecast of the shell and its interior where SN-affected particles will be present.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google