Nov, 2023

利用机器学习准确处理全球气候模型中的重叠混杂物种

PDF
TL;DR我们研究了化学和辐射在普适环流模型中的耦合，并比较了不同混合方法的效果，发现基于 DeepSets 的机器学习方法在 GCM 使用中精确且高效，而其他方法可能需要用于加速大气检索。
发现论文，激发创造
  • 利用解释型机器学习技术解开原行星盘中的 CO 化学

    分子丰度、原行星盘、机器学习、CO 流失、化学过程

    Dec, 2023

  • 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

  • 使用神经算子模拟星际介质化学

    星系的形成和演化取决于对控制星际介质（ISM）演化和热力学的复杂光化学过程的理解。在宇宙学和天体物理模拟中，解决化学问题是最繁重的任务之一。本研究通过采用基于神经算子的快速预训练模拟器，模拟了非平衡化学网络直到 H$_2$ 的形成，并取得了较高的精度、高效率的能力，从而在 ISM 化学模型的建模方面取得了重大进展。

    Feb, 2024

  • 使用机器学习代理模型复现行星大气参数重构的贝叶斯后验分布

    用机器学习建立的代理模型，能够生成类似于使用传统检索软件（如 TauRex）从行星凌星光谱中得出的行星大气参数的贝叶斯后验分布。该模型通过对七个参数（行星半径、大气温度以及五种常见吸收剂的混合比：$H_2O$、$CH_4$、$NH_3$、$CO$ 和 $CO_2$）的真实分布进行预训练，采用问题领域的启发式预处理和半监督学习方法提高模型性能，并在 2023 年 Ariel 机器学习数据挑战中获得优胜方案之一。

    Oct, 2023

  • 机器学习技术在空间非均匀系统的聚集动力学快速预测中的应用

    使用现代机器学习技术通过条件归一化流学习取代 Smoluchowski 方程的数值解，可以显著减少计算时间并与直接数值模拟结果较好地吻合。

    Dec, 2023

  • 去噪扩散概率模型用于预测分子云密度

    本文介绍了新颖的深度学习去噪扩散概率模型（DDPM）方法，用于从投影质量表面密度图中推断巨大分子云（GMC）的体积或数量密度，该扩散方法相较于其他方法，能在预测数量密度方面提高一个数量级。

    Apr, 2023

  • 使用机器学习和等变基础模型解读弥散散射：以熔融 FeO 为例

    这篇研究论文介绍了在凝聚态物理学中，弥合扩散 X 射线或中子散射测量与基于原子对势的预测结构之间的差距的挑战，并探讨了机器学习在解决这一问题上的应用，结果表明这一新的模型在跨越传统类经典原子间势的限制上具有潜力。

    Mar, 2024

  • 利用机器学习增强天体物理比例关系：降低 Sunyaev-Zeldovich 通量 - 质量离散度的应用

    本研究使用机器学习的符号回归分析了天体物理系统中太阳耀斑 - 泽尔多维奇流量 - 星团质量关系的库，发现了一个由太阳耀斑 - 泽尔多维奇流量和电离气体浓度紧密相关的星团质量的新代理，并测试并证明该新代理在不同宇宙学、物理条件下依然可行，可以用于 CMB，X 线等观测数据的多波段星团质量估计。

    Jan, 2022

  • 大数据与量子化学近似：$Δ$ 机器学习方法

    介绍了一种将机器学习纠正与计算便宜且近似的遗留量子方法相加的组合策略，从而实现了对化学热力学性质的高度准确预测，实现了化学精度和低计算成本的平衡。

    Mar, 2015

  • FlopPITy: 用机器学习实现自洽行星大气逆推

    利用机器学习推断算法 SNPE，我们能够以更高的计算效率运行可靠的外行星大气解译检索，并加速检索速度，提高计算耗费大气模型的可行性。

    Jan, 2024