Прогнозирование параметров и классификация молекулярных оттоков с помощью сверточных нейронных сетей

Аңдатпа

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.