論文の概要: Grid-based exoplanet atmospheric mass loss predictions through neural network
- arxiv url: http://arxiv.org/abs/2502.01510v1
- Date: Mon, 03 Feb 2025 16:46:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-05 14:53:25.343648
- Title: Grid-based exoplanet atmospheric mass loss predictions through neural network
- Title(参考訳): ニューラルネットワークによる格子系外惑星大気の質量損失予測
- Authors: Amit Reza, Daria Kubyshkina, Luca Fossati, Christiane Helling,
- Abstract要約: 我々は、機械学習(ML)を用いて、上層大気モデルの既存の大きなグリッドを高速に観察する。
ニューラルネットワークを用いたDense MLスキーム("atmospheric Inquiry frameworK"; MLink)を開発した。
我々は、慎重に選択された合成惑星の小さなサンプルの進化に異なるスキームが与える影響について研究する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: The fast and accurate estimation of planetary mass-loss rates is critical for planet population and evolution modelling. We use machine learning (ML) for fast interpolation across an existing large grid of hydrodynamic upper atmosphere models, providing mass-loss rates for any planet inside the grid boundaries with superior accuracy compared to previously published interpolation schemes. We consider an already available grid comprising about 11000 hydrodynamic upper atmosphere models for training and generate an additional grid of about 250 models for testing purposes. We develop the ML interpolation scheme (dubbed "atmospheric Mass Loss INquiry frameworK"; MLink) using a Dense Neural Network, further comparing the results with what was obtained employing classical approaches (e.g. linear interpolation and radial basis function-based regression). Finally, we study the impact of the different interpolation schemes on the evolution of a small sample of carefully selected synthetic planets. MLink provides high-quality interpolation across the entire parameter space by significantly reducing both the number of points with large interpolation errors and the maximum interpolation error compared to previously available schemes. For most cases, evolutionary tracks computed employing MLink and classical schemes lead to comparable planetary parameters at Gyr-timescales. However, particularly for planets close to the top edge of the radius gap, the difference between the predicted planetary radii at a given age of tracks obtained employing MLink and classical interpolation schemes can exceed the typical observational uncertainties. Machine learning can be successfully used to estimate atmospheric mass-loss rates from model grids paving the way to explore future larger and more complex grids of models computed accounting for more physical processes.
- Abstract(参考訳): 惑星の質量損失率の迅速かつ正確な推定は、惑星の個体数と進化のモデル化にとって重要である。
我々は、機械学習(ML)を用いて、既存の流体力学上層大気モデルの大規模な格子を高速に補間し、グリッド境界内の惑星の質量損失率を、以前に公表された補間方式と比較して精度良く提供する。
我々は,約11000の流体力学上層大気モデルからなる既に利用可能なグリッドについて検討し,テスト目的のために約250のモデルを追加のグリッドを生成した。
我々は,Dense Neural Network を用いたML補間スキーム("Atmospheric Mass Loss Inquiry frameworK"; MLink" と呼ばれる)を開発した。
最後に、異なる補間スキームが慎重に選択された合成惑星の小さなサンプルの進化に与える影響について検討する。
MLinkはパラメータ空間全体にわたって高品質な補間を提供し、補間誤差が大きい点の数と、以前利用可能なスキームと比較して最大補間誤差の両方を著しく削減する。
ほとんどの場合、MLinkと古典的なスキームを用いて計算された進化軌道は、Gyr-timescalesで同等の惑星パラメータに導かれる。
しかし、特に半径ギャップの最上端に近い惑星では、MLinkと古典的な補間スキームを用いて得られた軌道の特定の年齢における予測惑星半径の差は、典型的な観測上の不確実性を上回る可能性がある。
機械学習は、より物理的なプロセスのために計算された、より大きくより複雑なモデルのグリッドを探索する道を開くために、モデルグリッドから大気中のマスロス率を推定するのに成功することができる。
関連論文リスト
- A Geometry-Aware Message Passing Neural Network for Modeling Aerodynamics over Airfoils [61.60175086194333]
空気力学は航空宇宙工学の重要な問題であり、しばしば翼のような固体物と相互作用する流れを伴う。
本稿では, 固体物体上の非圧縮性流れのモデル化について考察する。
ジオメトリを効果的に組み込むため,メッシュ表現に翼形状を効率よく,かつ効率的に統合するメッセージパッシング方式を提案する。
これらの設計選択は、純粋にデータ駆動の機械学習フレームワークであるGeoMPNNにつながり、NeurIPS 2024 ML4CFDコンペティションで最優秀学生賞を受賞し、総合で4位となった。
論文 参考訳(メタデータ) (2024-12-12T16:05:39Z) - Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric
GNNs [66.98487644676906]
我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。
幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。
また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
論文 参考訳(メタデータ) (2024-09-26T08:16:59Z) - Machine Learning Parameterization of the Multi-scale Kain-Fritsch (MSKF)
Convection Scheme [6.912451798457824]
温暖帯の豪雨はしばしば南中国沿岸で起こる。
大気境界層の乱流渦は、灰色ゾーンで部分的に解かれ、ある程度パラメータ化されるのみである。
近年,さまざまな分野の大気科学への機械学習(ML)モデルの適用が増加している。
論文 参考訳(メタデータ) (2023-11-07T01:47:16Z) - Graph Convolutional Networks for Simulating Multi-phase Flow and Transport in Porous Media [0.0]
データ駆動サロゲートモデリングは、高忠実度数値シミュレータの安価な代替手段を提供する。
CNNは偏微分方程式の解を近似するのに強力であるが、CNNが不規則かつ非構造的なシミュレーションメッシュを扱うことは依然として困難である。
グラフ畳み込みネットワーク(GCN)に基づく代理モデルを構築し,多相流と多孔質媒体の輸送過程の時空間解を近似する。
論文 参考訳(メタデータ) (2023-07-10T09:59:35Z) - High-precision interpolation of stellar atmospheres with a deep neural
network using a 1D convolutional auto encoder for feature extraction [0.0]
我々は、恒星モデル大気を回復するための信頼性、正確、軽量、高速な方法を確立する。
我々は、完全に接続されたディープニューラルネットワークを使用し、1次元畳み込みオートエンコーダを用いてグリッドの非線形性を抽出する。
特徴抽出器として主成分分析を用いた場合よりも,畳み込みオートエンコーダの方が高精度であることを示す。
論文 参考訳(メタデータ) (2023-06-12T08:16:26Z) - Learning Controllable Adaptive Simulation for Multi-resolution Physics [86.8993558124143]
完全深層学習に基づくサロゲートモデルとして,LAMP(Learning Controllable Adaptive Simulation for Multi- resolution Physics)を導入した。
LAMPは、前方進化を学習するためのグラフニューラルネットワーク(GNN)と、空間的洗練と粗大化のポリシーを学ぶためのGNNベースのアクター批判で構成されている。
我々は,LAMPが最先端のディープラーニングサロゲートモデルより優れており,長期予測誤差を改善するために,適応的なトレードオフ計算が可能であることを実証した。
論文 参考訳(メタデータ) (2023-05-01T23:20:27Z) - Reduced Order Probabilistic Emulation for Physics-Based Thermosphere
Models [0.0]
本研究は,TIE-GCM(Thermosphere Ionosphere Electrodynamics Circulation General Model)のための効率的なサロゲートを作成するために,確率論的機械学習(ML)手法を採用することを目的とする。
利用可能なデータ全体で、TIE-GCM ROPEは従来の線形手法と同様の誤差を示しながら、嵐時モデリングを改善した。
また,TIE-GCM ROPEは,TIE-GCM密度から得られる位置を5kmの偏りで捉えることができることを示す。
論文 参考訳(メタデータ) (2022-11-08T17:36:37Z) - MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。
現在の数値モデル解法 PDEs on grids that too coarse (3km~200km on each side)
本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
論文 参考訳(メタデータ) (2022-10-11T14:52:20Z) - Residual Neural Networks for the Prediction of Planetary Collision
Outcomes [0.0]
N体惑星形成シミュレーションにおいて,衝突の迅速かつ正確な処理を行う機械学習(ML)モデルを提案する。
我々のモデルは、データ生成プロセスの基盤となる物理的プロセスによって動機付けられ、衝突後の状態を柔軟に予測することができる。
我々は、MLタスクをマルチタスク回帰問題として定式化し、エンドツーエンドで衝突処理のためのMLモデルの簡易かつ効率的な訓練を可能にする。
論文 参考訳(メタデータ) (2022-10-09T12:42:43Z) - Manifold Interpolating Optimal-Transport Flows for Trajectory Inference [64.94020639760026]
最適輸送流(MIOFlow)を補間するマニフォールド補間法を提案する。
MIOFlowは、散発的なタイムポイントで撮影された静的スナップショットサンプルから、連続的な人口動態を学習する。
本手法は, 胚体分化および急性骨髄性白血病の治療から得られたscRNA-seqデータとともに, 分岐とマージによるシミュレーションデータについて検討した。
論文 参考訳(メタデータ) (2022-06-29T22:19:03Z) - Learning Large-scale Subsurface Simulations with a Hybrid Graph Network
Simulator [57.57321628587564]
本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。
HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。
産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
論文 参考訳(メタデータ) (2022-06-15T17:29:57Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。