Прогнозирование параметров и классификация молекулярных оттоков с помощью сверточных нейронных сетей

Аннотация

В современной астрофизике машинное обучение приобретает все большую популярность благодаря своей невероятно мощной способности делать прогнозы или рассчитывать предположения для больших объемов данных. Мы описываем применение машинного обучения к регрессии параметров молекулярного оттока (масса, импульс, кинетическая энергия и динамическое время) и классификации биполярного оттока с использованием сверточных нейронных сетей. Размер нашей обучающей выборки составляет ~ 125 источников молекулярного оттока для классификации, то есть 80% от общего количества данных, где 67 источников является биполярным оттоком и ~ 75 источников биполярного оттока для регрессии. Полученные результаты показывают, что использование CNN повышает точность классификации изображения до 97%. Модель регрессии позволяет предсказывать параметры молекулярного оттока со средней абсолютной процентной ошибкой 37.7% для обучающих данных и со средней абсолютной ошибкой 88.0 (масса), 1237.7 (импульс), 193.3 (кинетическая энергия) и 3.0 (динамическое время) для тестовых данных. Алгоритм машинного обучения уменьшает время обработки данных для прогнозов и классификации, и эта методология имеет широкую перспективу применения в будущих исследованиях задач астрофизики.

Литература

1 K. Venn, S. Fabbro, A. Liu et al, CLRP, 2020, 5 (2019).

2 Y. Bai, J. Liu, S. Wang, and F. Yang, The Astronomical Journal, 157, 9 (2018).

3 G. Martin, S. Kaviraj, A. Hocking, S.C. Read, and J.E. Geach, Monthly Notices of the Royal Astronomical Society, 491, 1408-1426 (2020).

4 Y. Bai, J.F. Liu, and S. Wang, Research in Astronomy and Astrophysics, 18, 118 (2018).

5 A. Ghosh, C.M. Urry, Z. Wang, K. Schawinski, D. Turp, and M.C. Powell, The Astrophysical Journal. 895, 112 (2020).

6 E.J. Kim, and R.J. Brunner, Monthly Notices of the Royal Astronomical Society, 464, 4463-4475 (2017).

7 S. Akras, M.L. Leal-Ferreira, L. Guzman-Ramirez, and G. Ramos-Larios, Monthly Notices of the Royal Astronomical Society, 483, 5077-5104 (2019).

8 K. Sharma, A. Kembhavi, A. Kembhavi, T. Sivarani, S. Abraham, and K. Vaghmare Monthly Notices of the Royal Astronomical Society, 491, 2280-2300 (2020).

9 V. Lukic, M. Brüggen, B. Mingo, J.H. Croston, G. Kasieczka, and P.N. Best, Monthly Notices of the Royal Astronomical Society, 487, 1729-1744 (2019).

10 X.P. Zhu, J.M. Dai, C.J. Bian, Y. Chen, S. Chen, and C. Hu, Astrophysics and Space Science, 364, 55 (2019).

11 W. Liu, M. Zhu, C. Dai, D.Y. He, J. Yao, H.F. Tian, B.Y. Wang, K. Wu, Y. Zhan, B.Q. Chen, A.L. Luo, R. Wang, Y. Cao, and X.C. Yu, Monthly Notices of the Royal Astronomical Society, 483, 4774-4783 (2019).

12 S. Fabbro, K.A. Venn, T. O'Briain, S. Bialek, C.L. Kielty, F. Jahandar, S. Monty, Monthly Notices of the Royal Astronomical Society, 475, 2978-2993 (2018).

13 C.N. Beaumont, J.P. Williams, and A.A. Goodman, The Astrophysical Journal, 741, 14 (2011).

14 C.N. Beaumont, A.A. Goodman, S. Kendrew, J.P. Williams, and R. Simpson, The Astrophysical Journal Supplement Series, 214, 3 (2014).

15 C.M. Van Oort, D. Xu, S.S. Offner, and R.A. Gutermuth, The Astrophysical Journal. 880, 83 (2019).

16 D. Xu, S.S. Offner, and R.A. Gutermuth, and C. Van Oort, The Astrophysical Journal. 890, 64 (2020).

17 D. Xu, S.S. Offner, and R.A. Gutermuth, and C. Van Oort, arXiv preprint arXiv:2010.12525, (2020).

18 S. Zhang, J. Yang, Y. Xu, X. Chen, Y. Su, Y. Sun, X. Zhou, Y. Li, and D. Lu, The Astrophysical Journal Supplement Series, 248, 15 (2020).

19 D. Xu, and S.S.R. Offner, The Astrophysical Journal, 851,149 (2017).

20 A. Krizhevsky, I. Sutskever, G.E. Hinton, Communications of the ACM, 60, 84-90 (2017).

21 R. Girshick, Proceedings of the IEEE international conference on computer vision (Santiago, 7-15 December, 2015), p.1440-1448.

22 S. Ren, K. He, R. Girshick, and J. Sun, IEEE transactions on pattern analysis and machine intelligence, 39, 1137 (2017).

23 J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, Proceedings of the IEEE conference on computer vision and pattern recognition (Las Vegas, 27-30 June, 2016), p.779-788.

24 L. Zhao, and S.Li, Electronics. 9, 537 (2020).

25 G. Yao, T. Lei, and J. Zhong, Pattern Recognition Letters, 118, 14-22 (2019).

26 Q. Li, J. Zhou, J. Esimbek, Y. He, W.A. Baan, D. Li, G. Wu, X. Tang, W. Ji, D. Zhexebay, The Astrophysical Journal. 867, 167 (2018).
Как цитировать
ZHEXEBAY, D.M.; KHOKHLOV, S.A.; KOZHALGULOV, Y.T.. Прогнозирование параметров и классификация молекулярных оттоков с помощью сверточных нейронных сетей. Вестник. Серия Физическая (ВКФ), [S.l.], v. 75, n. 4, p. 88-95, dec. 2020. ISSN 2663-2276. Доступно на: <https://bph.kaznu.kz/index.php/zhuzhu/article/view/1334>. Дата доступа: 28 jan. 2021 doi: https://doi.org/10.26577/RCPh.2020.v75.i4.09.
Раздел
Нелинейная физика. Радиофизика

Наиболее читаемые статьи этого автора (авторов)

Особенность: этот модуль требует, что бы был включен хотя бы один модуль статистики/отчетов. Если ваши модули статистики возвращают больше одной метрики, то пожалуйста также выберите главную метрику на странице настроек сайта администратором и/или на страницах настройки управляющего журналом.