AI与世界难题 · 天文与太空 · arXiv · 2026-10-22
天体物理湍流中的机器学习 I：利用 eXtreme Gradient Boosting 预测磁化分子云中的原恒星核
原标题: ML in Astrophysical Turbulence I: Predicting Prestellar Cores in Magnetized Molecular Clouds using eXtreme Gradient Boosting
在巨型分子云中，超音速湍流和磁场使得难以预测哪些气体团块会坍缩形成恒星形成核，作者提出了一个 XGBoost 框架，用于预测原恒星气体的 3D 轨迹和引力坍缩命运，该框架基于来自自引力湍流 MHD 模拟的约 210 万个示踪粒子进行训练。该模型以 R² > 0.99 的精度预测 0.25 个自由落体时间（约 0.31 Myr）内的 3D 空间演化，并以 AUC 0.975 对各核的坍缩易感性进行排序；SHAP 分析表明局部密度、动能和磁场强度占主导地位，且模型重新推导出 log₁₀ρ ≈ 0.8 处的陡峭非线性坍缩阈值，高于该阈值时磁场会放大坍缩预测。研究还表明，逐点机器学习模型虽然在运动学平流方面表现强劲，但在数学上缺乏评估局部微分算子所需的空间上下文，而正是这些算子在物理上使坍缩停止。