Equações de Nuvem Neural Infalling (NICE): Aumentando a Eficácia de Modelos de Subgrade e Descoberta Científica de Equações usando ODEs Neurais e Regressão Simbólica

Está bem estabelecido que sistemas galácticos são inerentemente multifásicos, e que entender os papéis e interações das várias fases é fundamental para uma compreensão mais completa da formação e evolução das galáxias. Por exemplo, essas interações desempenham um papel fundamental no ciclo de bárions que alimenta a formação de estrelas. Permanece um desafio que o transporte e as dinâmicas de nuvens frias em seu ambiente quente circundante são governados por processos complexos em pequena escala (como a interação entre turbulência e resfriamento radiativo) que determinam como as fases trocam massa, momento e energia. Modelos em grande escala, portanto, requerem prescrições de subgrade na forma de modelos validados em simulações de pequena escala, que podem assumir a forma de um sistema de equações diferenciais acopladas. Neste trabalho, exploramos o uso de equações diferenciais ordinárias neurais que incorporam uma rede neural como um termo no modelo de subgrade para capturar um processo físico incerto. Em seguida, aplicamos Regressão Simbólica no modelo aprendido para potencialmente descobrir novas percepções sobre a física das interações nuvem-ambiente. Testamos isso tanto em dados simulados gerados quanto em dados de simulação reais. Também estendemos a ODE neural para incluir um termo neural secundário. Mostramos que ODEs neurais em conjunto com Regressão Simbólica podem ser usados para aumentar a precisão e a eficiência dos modelos de subgrade e/ou descobrir as equações subjacentes para melhorar a generalidade e a compreensão científica. Destacamos o potencial dessa abordagem de aprendizado de máquina científica como uma extensão natural do paradigma de modelagem tradicional, tanto para o desenvolvimento de modelos semi-analíticos quanto para a descoberta de equações fisicamente interpretáveis em sistemas não lineares complexos.