Hard Symplectic Graph Neural ODEs for Scalable Trajectory Reconstruction in Perturbed Relativistic N-Body Celestial Swarms: Scaling to One Million Bodies with Empirical NASA Ephemerides
Dieses Paper stellt SympG-NODE vor, ein strukturerhaltendes Graph-Neural-ODE-Framework, das symplektische Geometrie und äquivariante Graph-Netzwerke nutzt, um eine skalierbare, hochpräzise Trajektorienrekonstruktion für gestörte relativistische N-Körper-Himmelschwärme von bis zu einer Million Körpern zu erreichen und dabei Hamiltonsche Invarianten strikt zu bewahren sowie die Phasendrift-Beschränkungen von Standard-Physics-Informed Neural Networks zu überwinden.