基于深度学习的无碰撞引力N体数值模拟加速的可行性研究
文献类型：学位论文
| 作者 | 赵梓成
|
| 答辩日期 | 2021-07-01 |
| 文献子类 | 硕士 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 北京 |
| 导师 | 龙潜 |
| 关键词 | 引力N体数值模拟 深度神经网络 泊松方程 |
| 学位专业 | 天文技术与方法 |
| 其他题名 | Feasibility Study of Accelerating Collisionless Gravitational N-body Numerical Simulations Based on Deep Learning |
| 英文摘要 | 本文目标是验证深度学习方法在加速无碰撞引力N体数值模拟中的可行性。无碰撞引力N体数值模拟对研究星系、暗物质晕以及宇宙大尺度结构的形成和演化都有重要意义。而无碰撞引力N体数值模拟的传统方法的模拟计算非常耗时，限制了模拟宇宙系统的规模。目前模拟的粒子数规模主要在106-1013之间，而更大量级粒子数规模的模拟任务，以目前的数值模拟算法（所需的计算次数较高）和最新的计算机都难以完成。其中目前常用的无碰撞引力N体数值模拟PM系列方法求解势能（解泊松方程）的步骤所需计算次数较多，严重降低了每个时间步长数值模拟的速度，同时也导致了模拟精度难以提升。本文提出使用深度神经网络代替传统方法更快求解势能，以加速无碰撞引力N体数值模拟中的主要耗时部分。应用最新的深度学习方法，实验探索合适的深度神经网络模型和训练策略，最终找到了辅以残差局部结构的Encoder-Decoder整体网络模型结构以及确定了更适用于求解势能任务的损失函数、训练策略等。验证了深度神经网络求解势能的计算时间复杂度为O(N)；随着N增大，深度神经网络方法的计算耗时越小于快速傅里叶变换方法或有限差分法；在同等采样率的情况下，精度优于快速傅里叶变换方法；并且小网格数数据训练的模型可以用于大网格数的数据，具有可扩展性；用三维数据训练本文设计的模型结构，也能得到优秀的泊松方程求解器。故无碰撞引力N体数值模拟中，用深度神经网络可以提升PM系列方法中求解势能的速度，从而有效提升整体的模拟速度，或以更小的计算时间代价提高模拟精度。为将来大规模的无碰撞引力N体数值模拟打下基础。 |
| 学科主题 | 计算机科学技术 ; 人工智能 ; 计算机应用 |
| 语种 | 中文 |
| 页码 | 61 |
| 源URL | [http://ir.ynao.ac.cn/handle/114a53/25490]  |
| 专题 | 云南天文台_丽江天文观测站（南方基地） |
| 作者单位 | 中国科学院云南天文台 |
| 推荐引用方式 GB/T 7714 | 赵梓成. 基于深度学习的无碰撞引力N体数值模拟加速的可行性研究[D]. 北京. 中国科学院大学. 2021. |
入库方式： OAI收割
来源：云南天文台
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。