面向 Mercury 表面成分重建的深层神经网络概念框架——基于外部气体数据

由行星天体外部气体测量得到的表面信息补充了专用测绘仪器提供的表面映射，能够提供关于表面释放过程、行星环境内部分析、太空气晕及行星演化的关键见解。本研究探讨了从 Mercury 外部气体中原位测量数据利用深层神经网络（DNN）推导其岩土元素成分的可行性。我们提出了一种受监督的前馈 DNN 架构——多层感知器（MLP），其从外部气体密度和质子降注通量出发，预测表面下方的化学元素成分。它作为表面-外部气体相互作用及导致外部气体形成过程的估计器。由于 DNN 需要的综合外部气体数据集尚不可用，本研究使用模拟的外部气体成分和模拟驱动因素。广泛的训练和测试campaigns 表明，MLP 能够准确预测并从这些模拟测量数据重建表面成分图。虽然本初版版本旨在复现 Mercury 实际的表面成分，但它提供了一个概念验证，展示了该算法的鲁棒性及其处理复杂数据集以创建外部气体生成模型估计器的能力。此外，我们的测试结果表明，进一步发展具有巨大的潜力，暗示该方法有望显著增强对复杂表面-外部气体相互作用的分析，并补充行星外部气体模型。本工作anticipates将该方法应用于贝皮科尔蒙托任务的数据，具体指 SERENA 软件包，其 nominal 阶段将于 2027 年开始。