神经密度场的鲁棒性研究
地球与行星天体物理
2023-06-01 v1 天体物理仪器与方法
机器学习
摘要
近期在建模密度分布（即所谓神经密度场）方面的进展，可在无需形状模型等条件下精确描述天体密度分布——这些特性在设计贴近此类天体的轨迹时具有极大优势。先前工作引入了该方法，但若干开放问题尚存。本文在鲁棒性背景下研究神经密度场及其相对误差，考察训练时外部因素（如噪声）或约束（如以 433 Eros 与 67P/Churyumov-Gerasimenko 为例的由特定距离导致的最大可用引力信号强度）的影响。研究发现，基于多面体与质点（mascon）真值训练的两种模型表现相似，表明真值并非精度瓶颈。太阳辐照压对典型探测器的的影响在训练中可忽略，相对误差与无噪声时同量级。然而，通过施加高斯噪声限制测量数据精度会损害可获精度。此外，预训练被证明可切实加速网络训练。因此，本工作表明只要引力信号可与噪声区分，训练神经网络求解重力反演问题是合适的。代码与结果见 https://github.com/gomezzz/geodesyNets。
引用
@article{arxiv.2305.19698,
title = {Investigation of the Robustness of Neural Density Fields},
author = {Jonas Schuhmacher and Fabio Gratl and Dario Izzo and Pablo Gómez},
journal= {arXiv preprint arXiv:2305.19698},
year = {2023}
}
备注
Will be presented as a poster at the GNC 2023 conference