ترجمه فارسی مقاله تسریع در شبیه سازی های تأثیر غول پیکر با یادگیری ماشین

چکیده

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.

چکیده به فارسی (ترجمه ماشینی)

محدود کننده مدل های تشکیل سیاره بر اساس جمعیت سیارات سیاره ای مشاهده شده ، نیاز به تولید نمونه های بزرگی از سیستم های سیاره ای مصنوعی دارد که می تواند از نظر محاسباتی ممنوع باشد.یک تنگنا مهم در حال شبیه سازی مرحله ضربه غول پیکر است ، که در طی آن جنین های سیاره ای به صورت گرانشی تکامل می یابند و ترکیب می شوند تا سیارات را تشکیل دهند ، که ممکن است خود برخوردهای بعدی را تجربه کند.برای تسریع در شبیه سازی های تأثیر غول پیکر ، ما یک رویکرد یادگیری ماشین (ML) برای پیش بینی نتایج برخورد در سیستم های چند لایه ارائه می دهیم.ما در بیش از 500،000 $ N $ شبیه سازی سیستم های سه صفحه ای آموزش داده شده است ، ما یک مدل ML را تهیه می کنیم که می تواند به طور دقیق پیش بینی کند که کدام دو سیاره به همراه وضعیت سیارات پس از برخورد ، از یکپارچه سازی کوتاه ، برخورد می کنند.شرایط اولیه سیستممدل ما تا حد زیادی در خطوط غیر ML که به معیارهای تئوری دینامیک متکی هستند ، بسیار پیشرفت می کند ، که تلاش می کنند تا به طور دقیق پیش بینی کنند که کدام جفت سیارات یک برخورد را تجربه می کنند.با ترکیب با یک مدل برای پیش بینی ثبات بلند مدت ، ما یک شبیه ساز Impact Giant Impact مبتنی بر ML ایجاد می کنیم ، که می تواند نتایج شبیه سازی های تأثیر غول پیکر را با سرعت حداکثر چهار مرتبه پیش بینی کند.ما انتظار داریم که مدل ما تجزیه و تحلیل هایی را فعال کند که در غیر این صورت از نظر محاسباتی امکان پذیر نباشد.به همین ترتیب ، ما کد آموزش کامل خود را به همراه یک API با کاربرد آسان برای مدل نتیجه برخورد و شبیه ساز تأثیر غول پیکر منتشر می کنیم.