Dec, 2023

天体机器学习：用 AI Feynman 发现火星的平面性、太阳中心性和轨道方程

PDF
TL;DR机器学习、算法、火星轨道、符号回归和开普勒第一定律的发现。
machine learningalgorithmmars orbitsymbolic regressionkepler's first law
发现论文，激发创造
  • 天体机器学习：运用 AI Feynman，从数据到火星和更远

    机器学习算法通过天文观测单独发现或学习开普勒第一定律，我们使用受物理启发的符号回归工具 AI Feynman 来模拟约翰尼斯・开普勒使用鲁道夫表发现了火星轨道方程。

    Dec, 2023

  • 科学界的 AI Oracle 的夙愿

    通过与科学和人工智能哲学的见解，我们提出了创造革命性数学理论的机制所需的条件，并借鉴人工智能的最新进展，认为机器满足这些条件可能是合理的。我们还提出了数学理论的可理解性的启发式定义，以加速机器理论家的发展。

    Jun, 2024

  • 从开普勒到牛顿：用可解释的人工智能探索科学

    本文介绍了可解释 AI 在科学研究中发现新的数据模型，提出新的思想假设和科学发现的作用和意义，并通过重现 Tycho Brahe 的天文观测数据，展示了 AI 在科学发现中的应用。

    Nov, 2021

  • 使用机器学习对庞加莱映射轨道进行分类

    该研究使用机器学习方法对 Poincaré 图进行分类，能够更客观准确地分析托卡马克中磁场力线的拓扑结构，帮助等离子物理学家研究磁约束等离子体行为。

    May, 2023

  • 基于机器学习的小行星共轨运动分类

    本文研究了如何使用机器学习对共轨行星中的小行星进行分类。通过考虑不同种类的运动以及时间序列特征提取等方法，我们展示了机器学习算法在识别和分类时间序列方面的高性能。

    Sep, 2023

  • 利用机器学习探测 KIC 1718360 可能存在的太阳系外行星

    这篇论文通过 TESS 和 Kepler 空间望远镜的可见光观测，提出了对 KIC 1718360 这颗 G1.5IV-V 型恒星光变曲线中的定期暗淡事件的检测。数据分析表明可能存在一个半径约为 1.048 地球半径、轨道周期为 2.938 天的天体，以及一个 0.04 天文单位的半长轴。初步观测使用了 One-Class SVM 机器学习方法，在 Kepler 的第 16 季数据上进行。TESS 空间望远镜的后续观测证实了这些发现。虽然仍需要进一步数据验证，但这些结果可能有助于积累更多短周期轨道的类地行星数据。

    May, 2024

  • 利用机器学习进行异常检测，在系外行星大气中寻找新颖的化学反应

    下一代望远镜将提供大量高分辨率光谱数据，用于分析成千上万个系外行星。我们提倡将机器学习技术应用于异常检测，以识别具有不寻常化学组成甚至寻找未知生物特征的行星的恒星过境光谱。我们成功地证明了两种流行的异常检测方法（局部异常因子和单类支持向量机）在大型公开数据库的合成光谱上的可行性，并使用 ROC 曲线量化和比较了这两种机器学习技术的性能。

    Aug, 2023

  • AI Feynman：一种基于物理启发的符号回归方法

    通过将神经网络和物理启发式技术结合起来，我们开发了一种递归多维符号回归算法，将其应用于来自费曼物理学讲义的 100 个方程，并成功发现了所有未知函数方程。

    May, 2019

  • 基于泄漏波全息术实现轨道角动量发生器设计的深度学习框架

    本文介绍了一种使用平面光学技术和机器学习技术生成携带光轴角动量的电磁波的新方法。为了优化系统性能，研究者使用机器学习确定射频设计参数的最佳值，节省时间并且比传统的手动参数调整方法和优化方法更准确。

    Apr, 2023

  • 基于深度学习的轨道问题动力学识别与线性化 —— 使用库普曼理论

    通过深度学习的 Koopman 理论，我们提出了一个数据驱动的框架，用于同时对二体问题和圆形受限三体问题进行系统识别和全局线性化，并将其线性化为线性时不变系统。该论文展示了 Koopman 算子具有泛化到各种其他二体系统的能力，而无需重新训练。我们还证明了同样的架构可以用于准确学习近似圆形受限三体问题的 Koopman 算子。

    Mar, 2024