Байесовская нейронная сеть предсказывает распад компактных планетных систем
Вот уже почти 300 лет ученые находятся в поисках решений для прогнозирования того, когда общая конфигурация планеты станет нестабильной. Чтобы решить эту проблему, например, для компактных систем, современные ученые решили внедрить архитектуру глубокого машинного обучения. Они представили так называемую байесовскую модель нейронной сети BNN, которая может точно предсказать, когда и при каких условиях компактная планетная система с тремя или более планетами станет нестабильной.
В то время как современные алгоритмы машинного обучения в этой области полагаются на метрики нестабильности, полученные учеными, новая методика изучает свои собственные метрики с нуля, благодаря внутренней структуре, вдохновленной теорией динамики. Новая модель может быстро и точно предсказывать временные рамки нестабильности в компактных многопланетных системах и делает это с точной оценкой неопределенности для незнакомых систем. Такой принцип открывает возможности для разработки моделей быстрого формирования планет земной группы и позволяет эффективно исследовать стабильные области в пространстве параметров для многопланетных систем.
Окончательный рост земных тел в современных теориях образования планет происходит в фазе гигантских ударов. На этом этапе число планет медленно уменьшается по мере столкновения и слияния тел. Близкие столкновения планет и широкий динамический диапазон, демонстрируемый временем между последовательными столкновениями, вычислительно ограничивают текущие численные усилия по моделированию этого процесса. Во-первых, необходимо предсказать распределение времен нестабильности по заданной начальной конфигурации орбиты. Во-вторых, необходимо спрогнозировать распределение орбитальных архитектур после столкновения с учетом ограничений по массе, энергии и угловому моменту.
Модель, обученная основам из коротких временных рядов N-тел необработанных орбитальных элементов, более чем на два порядка точнее предсказывает время нестабильности, чем аналитические оценки, а также снижает погрешность существующих алгоритмов машинного обучения почти в три раза. Модель вычисляет оценки нестабильности до 105 раз быстрее, чем числовой интегратор, и, в отличие от предыдущих вариантов, обеспечивает доверительные интервалы для его предсказаний.
Таким образом, представленная нейронная сеть не только улучшает долгосрочные прогнозы предыдущих моделей на основе инженерных функций, но также значительно уменьшает смещение модели и улучшает обобщение за пределами обучающего набора. BNN естественным образом включает доверительные интервалы в свои прогнозы времени нестабильности, учитывая неопределенность модели, а также внутреннюю неопределенность из-за хаотической динамики.
В отличие от предыдущих моделей машинного обучения, основанных на деревьях решений, новая система дифференцируема. Теперь ученые смогут извлечь из модельных оценок производные прогнозируемых времен нестабильности по параметрам, определяющим рассматриваемую орбитальную конфигурацию.
