【儀表網 研發快訊】近日，南京大學天文與空間科學學院(趙舜景，雷漢倫)與中國科學院上海天文臺(史弦)合作取得了基于人工智能技術的小行星表面溫度建模方面的重要進展。相關研究成果以“Deep operator neural network applied to efficient computation of asteroid surface temperature and the Yarkovsky effect”為題，發表于國際天文學期刊《天文與天體物理》(Astronomy & Astrophysics)。
小行星表面溫度建模是研究小行星性質和演化的重要技術方法。一方面，它可以與中紅外觀測數據結合用于反演小行星表面物理性質；另一方面，它是計算雅科夫斯基效應與YORP效應的基礎，為分析小行星長期軌道演化提供關鍵信息，并直接關系到對近地小行星與地球的碰撞概率的精確預測。
傳統的小行星表面溫度建模基于一維熱傳導方程的求解，通常采用差分法等數值方法實現，計算效率較低。近年來，隨著地/空基望遠鏡和深空探測技術的發展，小行星觀測數據大量增加，傳統方法顯然已經無法有效滿足我們對于大樣本、高時空分辨率數據的分析需求，尋找一種可以高效模制小行星表面溫度的方法也就顯得至關重要。
本工作首次成功建立了基于人工智能技術DeepONet神經網絡的小行星熱物理模型。基于神經網絡極高的計算效率與強大的泛化性能，進一步引入注意力機制訓練獲得具有普適性的表面溫度生成模型。與傳統數值方法相比，神經網絡模型的計算精度優于1%(圖1)，而計算效率提高了近5個數量級(圖2)。
圖 1 利用傳統數值方法與DeepONet神經網絡獲得的小天體表面溫度分布及比對
圖 2 針對由N個面元構成的小行星形狀模型，不同建模方法所需的時間對比
對計算效率瓶頸的突破，使我們能夠以超高時空分辨率仿真小行星表面溫度，進而實現對雅可夫斯基效應等影響小行星長期動力學演化的相關物理過程的高精度建模。文章采用了雅科夫斯基效應加速度的參數空間掃描與實時雅科夫斯基效應下軌道演化作為算例，表明新模型在相關研究課題中均能表現出優秀的實用性。
該工作由小天體動力學領域資深科學家David Vokrouhlický 實名審稿并給出積極評價，認為這一方法上的突破能為分析即將獲得的大量小行星巡天數據提供重要幫助。
第一作者趙舜景為南京大學和上海天文臺聯合培養博士生，該工作得到國家自然基金項目、國家自然基金重點項目以及科技部重點研發計劃項目資助。
所有評論僅代表網友意見，與本站立場無關。