Der Vergleich zwischen der Leistung des Orbitalelement-Regressors (obere Zeile) und eines nicht-ML-Basismodells (untere Zeile) auf dem Validierungssatz von 103.404 Dreiplaneten-Systemen zeigt, dass das ML-Modell Orbitalelemente mit weniger Streuung und Verzerrung vorhersagt als das Basismodell, was den Genauigkeitsgrenzen, die durch Chaos auferlegt werden, näher kommt.
Die Beschränkung von Planetenbildungsmodellen basierend auf der beobachteten Exoplanetenpopulation erfordert die Erzeugung großer Stichproben synthetischer planetarischer Systeme, was aufgrund des Rechenaufwands problematisch sein kann. Ein signifikanter Engpass besteht beim Simulieren der Giant-Impact-Phase, während der planetare Embryonen gravitativ evolvieren und sich zu Planeten kombinieren, die später möglicherweise selbst Kollisionen erfahren.
Um die Giant-Impact-Simulationen zu beschleunigen, wird ein maschinelles Lernansatz vorgestellt, um Kollisionsauswirkungen in Mehrplaneten-Systemen vorherzusagen. Das auf über 500.000 N-Körper-Simulationen von Dreiplaneten-Systemen trainierte ML-Modell kann genau vorhersagen, welche beiden Planeten eine Kollision erleben werden, sowie den Zustand der post-kollisionsbelasteten Planeten aus einer kurzen Integration der Ausgangsbedingungen des Systems.
Durch die Kombination mit einem Modell zur Vorhersage langfristiger Stabilität wird ein effizienter ML-basierter Giant-Impact-Emulator erstellt, der die Ergebnisse von Giant-Impact-Simulationen mit einer Geschwindigkeitssteigerung von bis zu vier Größenordnungen vorhersagen kann. Es wird erwartet, dass unser Modell Analysen ermöglicht, die andernfalls nicht rechnerisch machbar wären. Daher stellen wir unseren vollständigen Trainingscode zusammen mit einer benutzerfreundlichen API für unser Kollisionsausgangsmodell und den Giant-Impact-Emulator zur Verfügung.