ИИ и сложнейшие проблемы мира · Астрономия и космос · arXiv · 2026-10-22
Машинное обучение в астрофизической турбулентности I: предсказание предзвёздных ядер в намагниченных молекулярных облаках с помощью eXtreme Gradient Boosting
Оригинальное название: ML in Astrophysical Turbulence I: Predicting Prestellar Cores in Magnetized Molecular Clouds using eXtreme Gradient Boosting
В гигантских молекулярных облаках, где сверхзвуковая турбулентность и магнитные поля затрудняют предсказание того, какие объёмы газа коллапсируют в ядра звездообразования, авторы представляют фреймворк на основе XGBoost, прогнозирующий трёхмерные траектории и судьбу гравитационного коллапса предзвёздного газа и обученный примерно на 2.1 млн частиц-трассеров из турбулентных MHD-симуляций с самогравитацией. Модель предсказывает 3D-пространственную эволюцию на протяжении 0.25 времени свободного падения (около 0.31 млн лет) с R² > 0.99 и ранжирует восприимчивость ядер с AUC 0.975, а SHAP-анализ показывает, что доминируют локальная плотность, кинетическая энергия и величина магнитного поля; при этом модель заново выводит резкий нелинейный порог коллапса при log₁₀ρ ≈ 0.8, выше которого магнитные поля усиливают прогнозы коллапса. В исследовании также показано, что поточечные модели машинного обучения, хотя и сильны в кинематической адвекции, математически лишены пространственного контекста, необходимого для вычисления локальных дифференциальных операторов, которые физически останавливают коллапс.