An end-to-end strategy for recovering a free-form potential from a snapshot of stellar coordinates
Wassim Tenachi, Rodrigo Ibata, Foivos I. Diakogiannis
新的大型观察调查,如盖亚,正在引领我们进入一个数据丰富的时代,通过机器学习的力量,为发现新的物理定律提供了前所未有的机会。 在这里,我们提出了一个端到端的策略,从恒星位置和速度的快照中恢复自由形式的分析潜力。 首先,我们展示了如何利用自动分化来捕获引力电位及其潜在暗物质分布的不可知论图,其形式为神经网络。 然而,在物理学的背景下,神经网络既是瘟疫,也是祝福,因为它们在物理系统建模方面非常灵活,但主要包括不可解释的黑匣子。 因此,此外,我们还展示了如何使用互补的符号回归方法将这种神经网络打开到物理上有意义的表达式中。 我们通过恢复玩具异戊黄系统的潜力来展示我们的战略。
New large observational surveys such as Gaia are leading us into an era of data abundance, offering unprecedented opportunities to discover new physical laws through the power of machine learning. Here we present an end-to-end strategy for recovering a free-form analytical potential from a mere snapshot of stellar positions and velocities. First we show how auto-differentiation can be used to capture an agnostic map of the gravitational potential and its underlying dark matter distribution in th...
