Toward a Unified Model for the Thermal State of the Planetary Mantle: Estimations From Mean Field Deep Learning
Notice bibliographique
Résumé
Abstract The cooling of terrestrial planets depends upon the mechanism whereby heat is transferred from the interior to the surface and thereafter is radiated to the space. The surface boundary condition, geometry, internal processes, and the Rayleigh number are the most important controlling parameter influencing the rate of cooling. In this study we employ machine learning algorithms to train learning models that estimate the thermal state of the planets based on their curvature (f = rcmb/rsurf), Rayleigh number, and internal heating for two end member planets—rigid and free‐slip surface planets. Three‐dimension‐spherical control volume models are used to generate training samples. Employing regression learning algorithms, we show that supervised machine learning (SML) techniques can successfully predict the thermal state of the simplified model planets (predicted results versus calculated) with the possibility of extending the method to the actual planets where the complexities are incorporated into the model. The predictive models can be used in estimation of the surface heat flux and the planets' mean temperature. We find that deep learned models provide higher prediction accuracies than those obtained from simple machine leaning models with polynomialized features. The prediction accuracies in deep learned models for the unseen data approached 99% for both mean mantle temperature and mean surface heat flux. As such, deep learning techniques can be employed in more complex mantle problems in which more complex and highly pressure and temperature dependent processes are present.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».