AI 與世界的難題 · 天文與太空 · arXiv · 2026-10-22
天文物理湍流中的機器學習 I:使用極限梯度提升預測磁化分子雲中的前恆星核心
原標題: ML in Astrophysical Turbulence I: Predicting Prestellar Cores in Magnetized Molecular Clouds using eXtreme Gradient Boosting
在巨型分子雲中，超音速湍流與磁場使得難以預測哪些氣體團塊會塌縮成恆星形成核心；作者提出一個 XGBoost 框架，用以預測前恆星氣體的 3D 軌跡與重力塌縮命運，該框架以來自自重力湍流 MHD 模擬的約 210 萬個示蹤粒子訓練而成。模型以 R² > 0.99 的表現預測 0.25 倍自由落體時間(約 0.31 Myr)內的 3D 空間演化，並以 AUC 0.975 為核心的塌縮易感性排序；SHAP 分析顯示局部密度、動能與磁場強度佔主導地位，且模型重新推導出位於 log₁₀ρ ≈ 0.8 的尖銳非線性塌縮閾值，超過此閾值後，磁場會放大塌縮預測。研究也顯示，逐點式機器學習模型雖在運動學平流方面表現強勁，但在數學上缺乏評估局部微分算子所需的空間脈絡，而正是這些算子在物理上制止塌縮。