機械学習による光電離と放射流体の高速結合

光電離コードの出力を機械学習モデルに学習させ、放射流体シミュレーション内での計算コストを削減しつつ高精度な放射加速の評価を実現した。

• XSTARコードを用いた光電離の微視的物理データを機械学習モデルに学習させた。
• 訓練したモデルをAthena++に実装し、実行時の放射加速の高速評価を可能にした。
• ランダムフォレストモデルにより、従来の間ース補間テーブルよりも高精度かつ少量のデータで力乗数を再現できた。
• 局所的なSEDの変化に対応可能であり、大規模動的シミュレーションへの機械学習の応用を示した。

原文タイトル: A Machine Learning Approach to Coupling Photoionization & Multi-Frequency Radiation Hydrodynamics

arXiv で原文を見る

この要約は AI が生成したものであり、arXiv および論文著者の見解ではありません。