Jan, 2021

贝叶斯神经网络预测致密行星系统的溶解

PDF
TL;DR通过深度学习技术，使用基于贝叶斯神经网络的新颖内部结构学习预测指标，成功预测行星系统的不稳定性，并且在不同情境下表现出了强大的泛化能力和计算速度，为预测行星系统不稳定性提供了新方法。
planetary configurationdeep learninginstability predictionbayesian neural networkspock package
发现论文，激发创造
  • 学习预测宇宙结构形成

    该研究使用深度学习模型解决宇宙结构形成的问题，并证明了这是一种实用和准确的替代方法。

    Nov, 2018

  • Newton 与机器：使用深度神经网络解决混沌三体问题

    研究使用一种任意精度的数值积分器得到的解集，进行人工神经网络训练，以提供在固定计算成本内且比现有方法快 1000 万倍的精确解，从而取代现有的数值解析器，可以用于解决包括黑洞二元系统和密集星团核心崩塌等多体系统中的复杂计算，并解决了三体问题长期存在的计算难题。

    Oct, 2019

  • DBNets：公开可用的深度学习工具，用于测量尘埃原行星盘中年轻行星的质量

    利用卷积神经网络从原行星盘的尘埃连续辐射中分析子结构并快速推测嵌入行星的质量的一种深度学习工具 (DBNets) 研究成果显示：其能够有效评估行星质量并考虑建模和技术引入的相关不确定性，通过测试及观察的结果证实了其适用性和准确性。

    Feb, 2024

  • 用贝叶斯神经网络集合进行外行星大气检索

    这篇论文讨论了机器学习在星际物理领域的应用，利用贝叶斯神经网络实现了精准的大气成分测算以及创新性地引入了一种新的损失函数提高了性能。

    May, 2019

  • 一种用人工神经网络解决引力 N 体问题的混合方法

    使用人工神经网络的混合积分器来模拟天体运动，以提高计算速度并保持能量准确性。

    Oct, 2023

  • 使用深度学习识别系外行星：Kepler-80 周围的五个共振系行星链和 Kepler-90 周围的第八个行星

    文章介绍了使用深度学习对开普勒探测器发现的潜在系外行星信号进行分类鉴别的方法，并应用到已知多行星系统中发现两个新的行星，其中一个则是在 Kepler-80 周围的五个行星的 3 体 - 拉普拉斯共振链中。

    Dec, 2017

  • 利用神经网络加速外行星大气不平衡化学计算

    本研究探讨实现神经网络来替换一维化学动力学模型中的数学框架，以预测热木星大气模拟中的物种的混合比，结果显示，神经网络能够较准确地预测热木星大气中的物种混合比，且速度约快 1000 倍。

    Jun, 2023

  • 机器学习的非平衡物态相

    本文介绍了一种基于神经网络的机器学习方法，可以用于推断不同相的相图，通过获得从个体本征态中提取出来的纠缠谱。该方法在识别 MBL 相转变方面优于传统度量标准（如纠缠熵），从而揭示了更清晰的相边界和关于相图拓扑的新见解，这对于 MBL 相的发现具有参考价值。

    Oct, 2017

  • 从星体坐标快照中恢复自由形式的势能的端到端策略

    通过自动微分和符号回归的方法，从星体位置和速度快照中还原出自由形式的解析势能以及其下属的暗物质分布，这为探索物理规律提供了契机。

    May, 2023

  • 基于机器学习的 Gaia 天体测量外行星轨道的识别

    通过机器学习方法，利用 Gaia 的星动轨道解决方案，确定太阳附近约 500 光年范围内的恒星系中可能的太阳系外行星和棕矮星伴星，提出 22 个最佳候选对象，其中四个是太阳系外行星候选，另外五个是非常大的棕矮星或非常低质量的恒星。

    Apr, 2024