Үйірткілі нейрондық желілерді қолданып молекулалық сырт ағындардың параметрлерін болжау және жіктеу

Аңдатпа

Заманауи астрофизикада машиналық оқыту үлкен көлемдегі мәліметтер үшін болжам жасауда немесе жорамалдарды есептеуде керемет қуаттылығының арқасында танымалдығы артып келеді. Біз машиналық оқытуды молекулалық сырт ағын параметрлеріне (масса, импульс, кинетикалық энергия және динамикалық уақыт) болжам жасауда және үйірткілі нейрондық желілерді қолдана отырып, биполярлы сырт ағындардың жіктелуіне қолдануды сипаттаймыз. Біздің оқу үлгісінің мөлшері - жіктеу үшін ~ 125 молекулалық сырт ағын дереккөзін құрайды, яғни мәліметтердің жалпы көлемінің 80% құрайды, мұндағы 67 дереккөздер биполярлық ағындар болып табылады және ~ 75 биполярлық ағын дереккөзі регрессия үшін қолданылды. Нәтижелер көрсеткендей, CNN-ді пайдалану кескінді жіктеу дәлдігін 97% дейін жақсартады. Регрессия моделі жаттығу деректері үшін орташа абсолюттік пайыздық қателігі 37,7% құрады және абсолюттік қателігі 88,0 (масса үшін), 1237,7 (импульс үшін), 193,3 (кинетикалық энергия үшін) және 3,0 (динамикалық уақыт үшін) шамасында молекулалық сырт ағынның параметрлерін болжай алады. Машиналық оқыту алгоритмі болжау мен жіктеу үшін мәліметтерді өңдеу уақытын қысқартады және бұл әдістеме болашақ астрофизика мәселелерін зерттеу үшін үлкен үміт береді.