ترجمه فارسی مقاله یک چارچوب یادگیری ماشینی برای ایجاد درک خوشه ستاره

چکیده

Context. Computational astronomy has reached the stage where running a gravitational N-body simulation of a stellar system, such as a Milky Way star cluster, is computationally feasible, but a major limiting factor that remains is the ability to set up physically realistic initial conditions. Aims. We aim to obtain realistic initial conditions for N-body simulations by taking advantage of machine learning, with emphasis on reproducing small-scale interstellar distance distributions. Methods. The computational bottleneck for obtaining such distance distributions is the hydrodynamics of star formation, which ultimately determine the features of the stars, including positions, velocities, and masses. To mitigate this issue, we introduce a new method for sampling physically realistic initial conditions from a limited set of simulations using Gaussian processes. Results. We evaluated the resulting sets of initial conditions based on whether they meet tests for physical realism. We find that direct sampling based on the learned distribution of the star features fails to reproduce binary systems. Consequently, we show that physics-informed sampling algorithms solve this issue, as they are capable of generating realisations closer to reality.

چکیده به فارسی (ترجمه ماشینی)

متننجوم محاسباتی به مرحله ای رسیده است که اجرای یک شبیه سازی N-Body از یک سیستم ستاره ای ، مانند خوشه ستاره شیری ، از نظر محاسباتی امکان پذیر است ، اما یک عامل محدود کننده اصلی که باقی مانده است ، توانایی تنظیم شرایط اولیه جسمی واقع گرایانه است.اهدافهدف ما این است که با استفاده از یادگیری ماشین ، با تأکید بر بازتولید توزیع فاصله بین ستاره ای در مقیاس کوچک ، شرایط اولیه واقعی برای شبیه سازی N-Body را بدست آوریم.روشهاتنگنا محاسباتی برای به دست آوردن چنین توزیع از راه دور ، هیدرودینامیک شکل گیری ستاره است که در نهایت ویژگی های ستاره ها ، از جمله موقعیت ها ، سرعت ها و توده ها را تعیین می کند.برای کاهش این مسئله ، ما یک روش جدید برای نمونه برداری از شرایط اولیه جسمی واقع گرایانه از مجموعه محدودی از شبیه سازی ها با استفاده از فرآیندهای گاوسی معرفی می کنیم.نتایجما مجموعه های حاصل از شرایط اولیه را بر اساس اینکه آیا آنها تست های واقع گرایی جسمی را برآورده می کنند ، ارزیابی کردیم.ما می دانیم که نمونه گیری مستقیم بر اساس توزیع آموخته شده از ویژگی های ستاره در تولید مثل سیستم های باینری ناکام است.در نتیجه ، ما نشان می دهیم که الگوریتم های نمونه برداری با فیزیک این مسئله را حل می کنند ، زیرا آنها قادر به ایجاد تحقق نزدیک به واقعیت هستند.