We present WHFast, a fast and accurate implementation of a Wisdom-Holman symplectic integrator for long-term orbit integrations of planetary systems. WHFast is significantly faster and conserves energy better than all other Wisdom-Holman integrators tested. We achieve this by significantly improving the Kepler-solver and ensuring numerical stability of coordinate transformations to and from Jacobi coordinates. These refinements allow us to remove the linear secular trend in the energy error that is present in other implementations. For small enough timesteps we achieve Brouwer's law, i.e. the energy error is dominated by an unbiased random walk due to floating-point round-off errors. We implement symplectic correctors up to order eleven that significantly reduce the energy error. We also implement a symplectic tangent map for the variational equations. This allows us to efficiently calculate two widely used chaos indicators the Lyapunov characteristic number (LCN) and the Mean Exponential Growth factor of Nearby Orbits (MEGNO). WHFast is freely available as a flexible C package, as a shared library, and as an easy-to-use python module.


翻译:我们展示了WHFAST, 快速和准确地实施了行星系统长期轨道整合的Wisdom-Holman共生综合体。WHFAST比其他所有经过测试的Wisdom-Holman共生体要快得多,保存的能源也比其他所有经过Wisdom-Holman共生体测试的Wisdom-Holman共生体要快得多。我们通过大大改进开普勒-开关和确保协调转换与Jacobi坐标的数值稳定,实现了这一点。这些改进使我们能够消除其他执行中存在的能源错误中的线性长期性趋势。对于足够小的时间步骤来说,我们达到了Brouwer的法律,即能源错误以无偏见的随机行走为主。我们实施了静无偏的节能纠正器,以11号为主,大大降低了能源误差。我们还为变异方方方形配置了一个静脉色图。这使我们能够有效地计算出两种广泛使用的混乱指标:Lyapunov 特征(LCN) 和近比轨道(MEGEPentententent Estare Grows) 的偏差增长系数(MEGEG), as-Wy-s-s- as-s-s-s- as-ly-ly-lytototo asto alylylyly as-ly lipliply-pliply-ply-p-ply-ly-p-ly-ply-ly-ly-ly-ly-p-ly-ly-ly-ly-ply-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-p-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ly-ply-ly-ly-ly-ly-ly-ly-ly-p

0
下载
关闭预览

相关内容

Integration:Integration, the VLSI Journal。 Explanation:集成,VLSI杂志。 Publisher:Elsevier。 SIT:http://dblp.uni-trier.de/db/journals/integration/
因果图,Causal Graphs,52页ppt
专知会员服务
240+阅读 · 2020年4月19日
专知会员服务
59+阅读 · 2020年3月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
144+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
90+阅读 · 2019年10月10日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Accelerated Methods for Deep Reinforcement Learning
Arxiv
6+阅读 · 2019年1月10日
Learning to Importance Sample in Primary Sample Space
Arxiv
7+阅读 · 2018年6月19日
Arxiv
6+阅读 · 2018年3月28日
Arxiv
3+阅读 · 2017年12月14日
VIP会员
相关VIP内容
因果图,Causal Graphs,52页ppt
专知会员服务
240+阅读 · 2020年4月19日
专知会员服务
59+阅读 · 2020年3月19日
Keras François Chollet 《Deep Learning with Python 》, 386页pdf
专知会员服务
144+阅读 · 2019年10月12日
机器学习入门的经验与建议
专知会员服务
90+阅读 · 2019年10月10日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
相关资讯
【TED】生命中的每一年的智慧
英语演讲视频每日一推
9+阅读 · 2019年1月29日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
【推荐】YOLO实时目标检测(6fps)
机器学习研究会
20+阅读 · 2017年11月5日
【推荐】树莓派/OpenCV/dlib人脸定位/瞌睡检测
机器学习研究会
9+阅读 · 2017年10月24日
Adversarial Variational Bayes: Unifying VAE and GAN 代码
CreateAMind
7+阅读 · 2017年10月4日
【推荐】决策树/随机森林深入解析
机器学习研究会
5+阅读 · 2017年9月21日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
【推荐】(Keras)LSTM多元时序预测教程
机器学习研究会
24+阅读 · 2017年8月14日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员