KI und die schwierigen Probleme der Welt · Astronomie & Weltraum · arXiv · 2026-10-22
ML in astrophysikalischer Turbulenz I: Vorhersage prästellarer Kerne in magnetisierten molekularen Wolken mittels eXtreme Gradient Boosting
Originaltitel: ML in Astrophysical Turbulence I: Predicting Prestellar Cores in Magnetized Molecular Clouds using eXtreme Gradient Boosting
In riesigen molekularen Wolken, in denen supersonische Turbulenz und Magnetfelder es erschweren vorherzusagen, welche Gaspakete zu sternbildenden Kernen kollabieren, präsentieren die Autoren ein XGBoost-Framework, das die 3D-Trajektorien von prästellärem Gas und dessen Schicksal beim Gravitationskollaps prognostiziert und das auf etwa 2,1 Millionen Tracer-Teilchen aus selbstgravitierenden turbulenten MHD-Simulationen trainiert wurde. Das Modell sagt die 3D-räumliche Entwicklung über 0,25 Freifallzeiten (etwa 0,31 Myr) mit R² > 0,99 voraus und stuft die Kernanfälligkeit mit AUC 0,975 ein, während die SHAP-Analyse zeigt, dass lokale Dichte, kinetische Energie und Magnetfeldstärke dominieren, und das Modell eine scharfe nichtlineare Kollapsschwelle bei log₁₀ρ ≈ 0,8 erneut ableitet, oberhalb derer Magnetfelder die Kollapsvorhersagen verstärken. Die Studie zeigt außerdem, dass punktweisen ML-Modellen, obwohl sie bei kinematischer Advektion stark sind, mathematisch der räumliche Kontext fehlt, der zur Auswertung der lokalen Differentialoperatoren benötigt wird, die den Kollaps physikalisch stoppen.