深度算子神经网络在小行星表面温度及雅尔可夫斯基效应高效计算中的应用
地球与行星天体物理
2024-11-06 v1 天体物理仪器与方法
机器学习
摘要
表面温度分布对于太阳系中不规则小行星的热性质研究至关重要。虽然直接数值模拟能够高保真地模拟表面温度，但通常需要大量计算时间，尤其是在需要反复计算温度分布的问题中。为此，深度算子神经网络（DeepONet）因其高计算效率和泛化能力而成为一种强大工具。在本工作中，我们将DeepONet应用于小行星表面温度的建模。结果表明，训练后的网络能够以平均约1%的精度预测温度，而计算成本降低了五个数量级，从而能够在多维参数空间中进行热性质分析。作为初步应用，我们通过直接N体模拟分析了小行星的轨道演化，其中嵌入了基于DeepONet的热物理模型推断的瞬时雅尔可夫斯基效应。以小行星(3200)法厄同和(89433) 2001 WM41为例，我们展示了基于人工智能的方法的有效性和高效性。
引用
@article{arxiv.2411.02653,
title = {Deep operator neural network applied to efficient computation of asteroid surface temperature and the Yarkovsky effect},
author = {Shunjing Zhao and Hanlun Lei and Xian Shi},
journal= {arXiv preprint arXiv:2411.02653},
year = {2024}
}
备注
accepted for publication in "Astronomy & Astrophysics"