L'IA face aux grands problèmes du monde · Astronomie et espace · arXiv · 2026-10-22
ML dans la turbulence astrophysique I : prédiction des cœurs préstellaires dans les nuages moléculaires magnétisés à l'aide d'eXtreme Gradient Boosting
Titre original: ML in Astrophysical Turbulence I: Predicting Prestellar Cores in Magnetized Molecular Clouds using eXtreme Gradient Boosting
Dans les nuages moléculaires géants, où la turbulence supersonique et les champs magnétiques rendent difficile la prédiction des parcelles de gaz qui s'effondrent en cœurs de formation d'étoiles, les auteurs présentent un framework XGBoost qui prévoit les trajectoires 3D et le destin d'effondrement gravitationnel du gaz préstellaire, entraîné sur environ 2.1 millions de particules traceuses issues de simulations MHD turbulentes auto-gravitantes. Le modèle prédit l'évolution spatiale 3D sur 0.25 temps de chute libre (environ 0.31 Myr) avec un R² > 0.99 et classe la susceptibilité des cœurs avec un AUC de 0.975, tandis que l'analyse SHAP montre que la densité locale, l'énergie cinétique et l'amplitude du champ magnétique dominent, et le modèle redérive un seuil d'effondrement non linéaire net à log₁₀ρ ≈ 0.8, au-dessus duquel les champs magnétiques amplifient les prédictions d'effondrement. L'étude montre également que les modèles ML ponctuels, bien que performants pour l'advection cinématique, manquent mathématiquement du contexte spatial nécessaire pour évaluer les opérateurs différentiels locaux qui stoppent physiquement l'effondrement.