論文の概要: Learning the Stellar Structure Equations via Self-supervised Physics-Informed Neural Networks

• arxiv url: http://arxiv.org/abs/2604.06255v1
• Date: Mon, 06 Apr 2026 20:59:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-09 17:30:51.122697
• Title: Learning the Stellar Structure Equations via Self-supervised Physics-Informed Neural Networks
• Title（参考訳）: 自己教師型物理情報ニューラルネットワークによるステレオ構造方程式の学習
• Authors: Manuel Ballester, Santiago Lopez-Tapia, Seth Gossage, Patrick Koller, Philipp M. Srivastava, Ugur Demir, Yongseok Jo, Almudena P. Marquez, Christoph Wuersch, Souvik Chakraborty, Vicky Kalogera, Aggelos Katsaggelos,
• Abstract要約: 恒星構造方程式を解くためのメッシュフリーで微分可能なアプローチを提供する物理インフォームドニューラルネットワーク(PINN)フレームワークを提案する。 我々の知る限り、これは恒星構造方程式がPINNを用いて完全に自己教師付きかつデータフリーな方法で解けるという最初の実証である。
• 参考スコア（独自算出の注目度）: 1.0908273489097318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stellar astrophysics relies critically on accurate descriptions of the physical conditions inside stars. Traditional solvers such as \texttt{MESA} (Modules for Experiments in Stellar Astrophysics), which employ adaptive finite-difference methods, can become computationally expensive and challenging to scale for large stellar population synthesis ($>10^9$ stars). In this work, we present an self-supervised physics-informed neural network (PINN) framework that provides a mesh-free and fully differentiable approach to solving the stellar structure equations under hydrostatic and thermal equilibrium. The model takes as input the stellar boundary conditions (at the center and surface) together with the chemical composition, and learns continuous radial profiles for mass $M_r(r)$, pressure $P(r)$, density $ρ(r)$, temperature $T(r)$, and luminosity $L_r(r)$ by enforcing the governing structure equations through physics-based loss terms. To incorporate realistic microphysics, we introduce auxiliary neural networks that approximate the equation of state and opacity tables as smooth, differentiable functions of the local thermodynamic state. These surrogates replace traditional tabulated inputs and enable end-to-end training. Once trained for a given star, the model produces continuous solutions across the entire radial domain without requiring discretization or interpolation. Validation against benchmark \texttt{MESA} models across a range of stellar masses yields a Mean Relative Absolute Error of $3.06\%$ and an average $R^2$ score of $99.98\%$. To our knowledge, this is the first demonstration that the stellar structure equations can be solved in a fully self-supervised and data-free fashion employing PINNs. This work establishes a foundation for scalable, physics-informed emulation of stellar interiors and opens the door to future extensions toward time-dependent stellar evolution.
• Abstract（参考訳）: 恒星天体物理学は、恒星内部の物理的条件の正確な記述に批判的に依存している。 適応的有限差分法を用いる「texttt{MESA} (Modules for Experiments in Stellar Astrophysics)」のような伝統的な解法は、大きな恒星の集団合成(>10^9$ star)のために計算コストが高く、スケールが難しい。 本研究では、静水圧および熱平衡下での恒星構造方程式の解法において、メッシュフリーで完全に微分可能なアプローチを提供する自己教師型物理情報ニューラルネットワーク(PINN)フレームワークを提案する。 このモデルは、化学組成とともに恒星境界条件(中心と表面)を入力として、質量$M_r(r)$、圧力$P(r)$、密度$ρ(r)$、温度$T(r)$、光度$L_r(r)$について連続的な放射プロファイルを物理学に基づく損失項によって学習する。 本研究では, 局所熱力学状態のスムーズで微分可能な関数として, 状態方程式と不透明度表を近似する補助的ニューラルネットワークを導入する。 これらのサロゲートは、従来のタブ化された入力を置き換え、エンドツーエンドのトレーニングを可能にする。 与えられた恒星のために訓練された後、モデルは離散化や補間を必要とせず、放射領域全体にわたる連続的な解を生成する。 ベンチマークの texttt{MESA} モデルに対する検証では、平均相対絶対絶対誤差が$3.06\%、平均的な$R^2$スコアが$99.98\%である。 我々の知る限り、これは恒星構造方程式がPINNを用いて完全に自己教師付きかつデータフリーな方法で解けるという最初の実証である。 この研究は、スケーラブルで物理学的なインフォームドな恒星内部のエミュレーションの基礎を確立し、時間依存の恒星進化に向けた将来の拡張への扉を開く。

関連論文リスト

• From Black Hole to Galaxy: Neural Operator: Framework for Accretion and Feedback Dynamics [70.27068115318681]
  ニューラルベースの「サブグリッドブラックホール」を導入し、小さな局所力学を学習し、直接シミュレーションに組み込む。 微細な進化の大きなスピードアップにより、我々は、降着駆動のフィードバックで固有の変動を捉え、中心ブラックホールと銀河スケールのガスの動的結合を可能にした。
  論文  参考訳（メタデータ） (2025-12-01T11:47:49Z)
• FFT-Accelerated Auxiliary Variable MCMC for Fermionic Lattice Models: A Determinant-Free Approach with $O(N\log N)$ Complexity [52.3171766248012]
  量子多体系のシミュレーションを劇的に高速化するマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを導入する。 我々は,量子物理学のベンチマーク問題に対するアルゴリズムの有効性を検証し,既知の理論結果を正確に再現する。 我々の研究は、大規模確率的推論のための強力なツールを提供し、物理学に着想を得た生成モデルのための道を開く。
  論文  参考訳（メタデータ） (2025-10-13T07:57:21Z)
• Scrambling Dynamics with Imperfections in a Solvable Model [0.0]
  可解ブラウン回路モデルにおいて、量子スクランブルダイナミクスのプローブが2種類の不完全性にどのように反応するかを考察する。 回路平均ROTOCは演算子重み空間の有効確率分布によって制御されることを示す。
  論文  参考訳（メタデータ） (2025-04-30T18:00:01Z)
• Learning the Universe: Learning to Optimize Cosmic Initial Conditions with Non-Differentiable Structure Formation Models [0.22940141855172033]
  本稿では,3次元宇宙初期条件を再構築するためのLearning the Universe by Learning to Optimize (LULO)を紹介する。 LULOは、3次元宇宙の初期条件を再構築するための勾配のないフレームワークである。 ダークマターのみの$N$ボディシミュレーションで同定した$M_200mathrmc$halosから初期条件を正確に再構成することで,本手法を実証する。
  論文  参考訳（メタデータ） (2025-02-18T19:17:01Z)
• Neural Pfaffians: Solving Many Many-Electron Schrödinger Equations [58.130170155147205]
  神経波関数は、計算コストが高いにもかかわらず、多電子系の基底状態の近似において前例のない精度を達成した。 近年の研究では、個々の問題を個別に解くのではなく、様々な構造や化合物にまたがる一般化波動関数を学習することでコストを下げることが提案されている。 この研究は、分子間の一般化に適した過度にパラメータ化され、完全に学習可能なニューラルウェーブ関数を定義することで、この問題に取り組む。
  論文  参考訳（メタデータ） (2024-05-23T16:30:51Z)
• Emulating the interstellar medium chemistry with neural operators [0.0]
  銀河の形成と進化は、星間物質(ISM)の進化と熱力学を管理する複雑な光化学過程の理解に依存している 本稿では,ニューラル演算子に基づく高速で訓練済みのエミュレータを用いた手続き型解決器の置換を目指す。 我々は、DeepONet形式を採用することにより、H$(9種、52反応)までの非平衡化学ネットワークをエミュレートする。 単一ゾーンモデルに対して$textttKROME$で得られる参照解と比較すると、得られた典型的な精度は10-2$である。
  論文  参考訳（メタデータ） (2024-02-19T19:00:01Z)
• Variational Monte Carlo calculations of $\mathbf{A\leq 4}$ nuclei with an artificial neural-network correlator ansatz [62.997667081978825]
  光核の基底状態波動関数をモデル化するためのニューラルネットワーク量子状態アンサッツを導入する。 我々は、Aleq 4$核の結合エネルギーと点核密度を、上位のピオンレス実効場理論から生じるものとして計算する。
  論文  参考訳（メタデータ） (2020-07-28T14:52:28Z)

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。