Introducing SINFONIA: 用于轨道数值积分与加速的辛、slimplectic 与 Magnusian(神经)流

摘要

arXiv 预印本提出 SINFONIA 三种神经流架构：Galley 双重相空间上的辛/slimplectic 流（SINFONIA-J0）、Taylor 锚定流（SINFONIA-J1）、以及学习相互作用图像中有限时耗散修正的 Magnusian 流（SINFONIA-J2），用于引力波源长时演化。在 2.5PN 中子星旋近中，三者均显示长期精度由映射误差沿能量–角动量平衡决定的单一长期通道的带符号投影控制；编码该结构后，学习映射在 10^2–10^5 次窗口复合至并合时仍准确，步长可为整个轨道周期或更长，链式相位误差较基准 slimplectic 积分器低若干量级且成本更低。未约束该通道时，累积相位可恢复未建模的类动力学摩擦力；关闭网络的对照可分离学习贡献与每张映射内建的解析结构。作者称这是结构保持学习演化映射用于快速长时积分与物理推断的概念验证。