基于神经密度场的不规则小天体测地学：geodesyNets

我们提出一种基于人工神经网络的新方法，即所谓的geodesyNets，并给出有力证据表明它们能够作为高度不规则天体的精确测地模型，且仅需关于该天体的极少先验信息。该方法不依赖于天体形状信息，但若有形状信息则可加以利用。geodesyNets学习一个代表天体密度的三维可微函数，我们称之为神经密度场。天体形状以及其他测地属性均可轻易恢复。我们研究了六种不同形状，包括101955 Bennu、67P Churyumov-Gerasimenko、433 Eros和25143 Itokawa，这些天体在近距离探测中已获得形状模型。我们考虑了非均匀与均匀质量分布。由训练后的geodesyNets模型计算出的引力加速度以及推断出的天体形状在所有情况下均展现出极高精度，即便在靠近小行星表面处预测加速度的相对误差也小于1%。当天体形状信息可用时，geodesyNets可无缝利用该信息，并被训练为代表高保真神经密度场，从而能揭示天体内部结构。本工作引入了测地学中一种未受探索的新方法，为基于球谐函数、mascon模型和多面体引力的既有方法增添了一个有力工具。