Nov, 2023

高分辨率星系模拟中计算密集型超新星模拟的代理建模

PDF
TL;DR我们开发了一种结合机器学习和 Gibbs 采样的方法，用于预测超新星对周围气体的影响，我们的模型在热能和动量分布的准确性方面胜过低分辨率的超新星模拟，该方法可以取代超新星子网格模型，并帮助适当地模拟未解决的超新星反馈在星系形成模拟中的计算成本降低了约 1%。
发现论文，激发创造
  • 机器学习与超新星宇宙学的未来

    该研究评述了近期关于开发自动化系统以识别和分类超新星，并将其用作宇宙学标准烛光源的努力，强调了机器学习方法在优化大规模调查的科学产出中的基本作用。

    Aug, 2019

  • 用卷积神经网络（CNN）方法对超新星时间序列进行分类

    利用卷积神经网络方法，通过观测亮度数据，识别显著对象 —— 超新星的时间序列，并通过高斯过程回归平滑波长时间方向，实现了对全周期和截断型超新星的回顾性和实时分类。

    Jul, 2022

  • 星系形成的 EAGLE 模拟：子网格物理校准和模型变异

    该研究使用宇宙学模拟探索宇宙中不同星系的演化，并针对恒星形成相关的星际介质反馈调整了参数，进而获得了能够重现矮星系质量函数并形成逼真星系环境的仿真模型。

    Jan, 2015

  • 机器学习和宇宙学模拟 II: 流体力学模拟

    本研究延伸了之前提出的机器学习模型，在使用 N 体重力 + 流体动力学模拟模型研究星系形成和演化方面提出了新的框架。研究表明，机器学习是研究星系形成的一种有前途的技术，可以在相对较短的计算时间内模拟真实情况并预测星系物理性质，是研究星系形成的新的有力工具。

    Oct, 2015

  • 配对不稳定超新星：光变曲线、光谱和激波爆发

    本研究探讨了不同质量和包层结构的代表性双基不稳定超新星的演化、爆发和观测特征，并使用多波段辐射流体力学代码计算其爆发辐射的特征， 来评估在高红移下检测这些超新星的可能性以及如何使用光曲线，谱线和突发辐射观测结果来约束起源者的质量、半径和金属量。

    Jan, 2011

  • 基于星系的鲁棒场级别无似然推断

    使用图神经网络，在包含三维位置和速度的星系目录中对宇宙学参数进行可靠推断，并在各种宇宙和天体物理参数的变化范围内进行测试和验证。

    Feb, 2023

  • 9、10、11、12 和 13 太阳质量星聚变的三维模拟

    本研究使用最新的核心坍缩超新星（CCSN）代码 Fornax，从坍缩开始模拟了 9、10、11、12、13 个 M_太阳质量的恒星的三维动力学演化，发现 13 个 M_太阳质量的恒星不具有 3D 易爆炸性，建议在 12 到 14 个 M_太阳质量范围内存在易爆性差距。在坍缩后的湍流、中微子 - 物质吸收和散射、中微子 - 核子散射率的物理特性以及原恒星中的硅氧接口等因素对爆炸有促进作用。通过多个泡状结构定义了爆炸过程的外形特征，这些结果表明，对于这些低质量的原恒星，超新星理论正在朝着可信的解决方案稳定发展。

    Feb, 2019

  • 带有广泛质量损失的红超巨星超新星

    本文利用多组辐射流体力学代码 STELLA，计算了来自红超巨星 (RSGs) 在密集的星周介质 (CSM) 中爆炸产生的超新星 (SNe) 的多色光曲线 (LCs)，研究了 CSM 对 RSG 爆炸的影响，发现在质量丢失率高于 10^{-4} Msun/yr 的阶段 RSG 爆炸会受到 CSM 的影响。此外，研究表明 SN 2009kf 的前体的质量流失率也可能高于 10^{-4} Msun/yr。

    Sep, 2010

  • EAGLE 项目：模拟星系的演化和组合及其环境

    介绍了 Virgo Consortium 的 EAGLE 项目，该项目是关于宇宙中星系和黑洞形成的一系列计算机模拟。在模拟结果中，我们得到了与半分析模型相当接近的星系质量分布，同时还模拟了与观测相符合的星系特定的星形成率，无活力星系的比例，等等。

    Jul, 2014

  • 无监督域自适应约束星形成史

    研究了使用无监督域自适应技术，将模拟数据用于推断星系的星族历史记录，以便开发最终可应用于观测数据的技术。

    Dec, 2021