Neural Networks as Surrogate Solvers for Time-Dependent Accretion Disk Dynamics
Shunyuan Mao, Weiqi Wang, Sifan Wang, Ruobing Dong, Lu Lu, Kwang Moo Yi, Paris Perdikaris, Andrea Isella, Sébastien Fabbro, Lile Wang
吸积盘在天体物理学中无处不在,出现在从行星形成系统到X射线双星和活跃星系核的不同环境中。 传统上,模拟它们的动力学需要计算密集型(磁体)流体动力学模拟。 最近,物理信息神经网络(PINNs)已成为一种有希望的替代方案。 这种方法直接训练神经网络的物理定律,而不需要数据。 我们首次演示了PINN,用于解决非自引力吸积盘的二维,时间依赖流体动力学。 我们的模型在训练域内的任意时间和位置提供解决方案,并成功再现关键物理现象,包括螺旋密度波的激发和传播以及磁盘-同伴相互作用的间隙形成。 值得注意的是,PINNs启用的无边界方法自然消除了磁盘边缘的虚假波反射,这在数值模拟中难以抑制。 这些结果强调了先进的机器学习技术如何实现复杂天体物理系统的物理驱动、无数据建模,并可能在未来提供传统数值模拟的替代品。
Accretion disks are ubiquitous in astrophysics, appearing in diverse environments from planet-forming systems to X-ray binaries and active galactic nuclei. Traditionally, modeling their dynamics requires computationally intensive (magneto)hydrodynamic simulations. Recently, Physics-Informed Neural Networks (PINNs) have emerged as a promising alternative. This approach trains neural networks directly on physical laws without requiring data. We for the first time demonstrate PINNs for solving the ...
