[论文解读] Deep Potential: Recovering the gravitational potential from a snapshot of phase space

Gregory Green, Yuan-Sen Ting|arXiv (Cornell University)|Nov 9, 2020

Stellar, planetary, and galactic studies参考文献 17被引用 8

一句话总结

本文提出一种深度学习方法，通过单次恒星相空间数据快照恢复银河系的引力势能，利用归一化流（normalizing flows）建模相空间分布函数，并通过神经网络学习使该分布函数在无碰撞玻尔兹曼方程下保持静止的引力势能。该方法在模拟数据中准确恢复了真实势能，仅基于运动学示踪星即可实现对物质全三维分布的映射，且物理假设极少。

ABSTRACT

One of the major goals of the field of Milky Way dynamics is to recover the gravitational potential field. Mapping the potential would allow us to determine the spatial distribution of matter - both baryonic and dark - throughout the Galaxy. We present a novel method for determining the gravitational field from a snapshot of the phase-space positions of stars, based only on minimal physical assumptions. We first train a normalizing flow on a sample of observed phase-space positions, obtaining a smooth, differentiable approximation of the phase-space distribution function. Using the collisionless Boltzmann equation, we then find the gravitational potential - represented by a feed-forward neural network - that renders this distribution function stationary. This method is far more flexible than previous parametric methods, which fit narrow classes of analytic models to the data. This is a promising approach to uncovering the density structure of the Milky Way, using rich datasets of stellar kinematics that will soon become available.

研究动机与目标

• 从单次恒星相空间位置与速度的快照中恢复银河系的三维引力势能。
• 克服传统参数化模型的局限性，后者假设分布函数与势能具有特定解析形式。
• 仅基于运动学数据与极少物理假设，实现对全物质分布（重子物质与暗物质）的精确推断。
• 开发一种灵活且可微分的框架，可扩展至盖亚（Gaia）与地面巡天项目提供的高精度未来数据集。

提出的方法

• 在观测到的相空间数据上训练归一化流，以学习6维相空间中恒星分布函数的平滑、可微分近似。
• 引力势能以全连接神经网络表示，并通过训练使其满足静止系统的无碰撞玻尔兹曼方程。
• 通过确保势能满足以非负物质密度为源项的泊松方程，强制实现物理一致性。
• 通过自动微分计算所学分布函数与势能的梯度，以强制实现静止性。
• 使用归一化流的集合（ensemble）以提高分布函数近似中的鲁棒性与不确定性估计。
• 训练过程最小化无碰撞玻尔兹曼方程的残差，同时满足物质密度为正的约束。

实验结果

研究问题

• RQ1 深度学习框架是否能在不假设特定参数形式的前提下，准确从单次恒星相空间数据快照中恢复引力势能？
• RQ2 归一化流在恒星系统中能否有效表示复杂、非高斯的相空间分布函数？
• RQ3 当在静止性与物质密度非负性约束下训练时，神经网络势能模型在多大程度上能再现真实势能？
• RQ4 该方法在具有复杂非球对称性与速度各向异性的真实模拟数据上的表现如何？

主要发现

• 该方法成功恢复了普尔默球（Plummer sphere）模型的真正引力势能，覆盖广泛的半径范围，即使在相空间密度较低的区域亦然。
• 恢复的势能与理论普尔默势能高度吻合，系统内区与中间区域的偏差低于1%。
• 从恢复势能导出的物质密度在所有位置均为正值，满足非负质量密度的物理约束。
• 归一化流能准确建模底层分布函数，即使在高维相空间中亦表现良好，且在采样区域内具有良好的泛化能力。
• 该方法对模拟数据中的噪声与采样限制表现出鲁棒性，表明其适用于真实天体物理数据集。
• 该框架具备可扩展性与适应性，可应用于真实世界数据，包括观测选择函数与测量误差，未来工作将进一步探索此方向。