冯劼副教授团队利用机器学习在双星引力波数值模拟中的应用方面取得重大进展

       机器学习，作为当代科学技术研究中最炙手可热的领域之一，正以前所未有的速度推动着知识边界的拓展和技术应用的革新。其强大的数据处理能力、模式识别能力以及预测分析能力，为众多传统行业带来了颠覆性的变革。在这一背景下，机器学习与其他学科的交叉研究不仅拓宽了研究的视野，更为解决复杂问题提供了全新的思路和方法。特别是在天文学与物理学领域，机器学习技术的引入为探索宇宙奥秘开辟了全新的途径。引力波作为当下天文研究热门，携带着关于宇宙结构和物理定律的重要信息，机器学习强大的计算效率和挖掘潜在规律的能力，可提高挖掘天文海量数据潜在规律的效率。

       我院冯劼副教授联合中山大学物理学院张宏浩教授、骆俊杰博士后、物理与天文学院林伟鹏教授以及澳门科技大学严建祺、俄勒冈州立大学曾一凡、香港大学Prof. Alex P. Leung，共同于2024年9月30日，在知名天文顶级期刊The Astrophysical Journal (天体物理期刊)发表论文《Modeling the Time Evolution of Compact Binary Systems with Machine Learning》。论文将目光聚焦于机器学习在双星引力波数值模拟中的潜在应用，旨在通过探索不同类型的机器学习模型与引力波模拟结合的方案，有效地模拟致密双星系统的时间演变。机器学习模型在预测此类系统的动力学方面显示出令人鼓舞的结果，特别效率相比传统数值模拟高出40倍。未来研究方向中，这些发现鼓励进一步探索深度学习在复杂动力系统中的应用。该论文表明，完善这些模型并探索其他约束条件可以提高致密双星引力波的预测能力。

                                                                                 机器学习对致密双星轨道数据的学习和预测过程

                                                          机器学习跟传统数值方案模拟双星引力波的比较。3种方法体现出可比拟的精度。

       物理学院骆俊杰博士与澳门科技大学严建祺为共同第一作者，我院冯劼副教授、物理学院张宏浩教授、物理与天文学院林伟鹏教授为共同通讯作者。中山大学为第一单位。此项目得到国家自然科学基金、重点大学基础研究基金和中山大学科学基金资助。

成果链接：

https://iopscience.iop.org/article/10.3847/1538-4357/ad6989