Hierarchical generative models for star clusters from hydrodynamical simulations
Notice bibliographique
Résumé
ABSTRACT Star formation in molecular clouds is clumpy, hierarchically subclustered. Fractal structure also emerges in hydrodynamical simulations of star-forming clouds. Simulating the formation of realistic star clusters with hydrodynamical simulations is a computational challenge, considering that only the statistically averaged results of large batches of simulations are reliable, due to the chaotic nature of the gravitational N-body problem. While large sets of initial conditions for N-body runs can be produced by hydrodynamical simulations of star formation, this is prohibitively expensive in terms of computational time. Here, we address this issue by introducing a new technique for generating many sets of new initial conditions from a given set of star masses, positions, and velocities from a hydrodynamical simulation. We use hierarchical clustering in phase space to inform a tree representation of the spatial and kinematic relations between stars. This constitutes the basis for the random generation of new sets of stars which share the clustering structure of the original ones but have individually different masses, positions, and velocities. We apply this method to the output of a number of hydrodynamical star-formation simulations, comparing the generated initial conditions to the original ones through a series of quantitative tests, including comparing mass and velocity distributions and fractal dimension. Finally, we evolve both the original and the generated star clusters using a direct N-body code, obtaining a qualitatively similar evolution.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 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 tête enseignante, 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 ».