机器学习在小行星动力学中的应用

机器学习（ML）是研究能够从数据中学习的计算机算法的计算机科学分支。它主要分为监督学习（向计算机提供输入样本，目标是学习将输入映射至输出的通用规则）和无监督学习（不为学习算法提供标签，使其自行发现结构）。深度学习是基于多层人工神经网络的机器学习分支，而人工神经网络是受构成动物大脑的生物神经网络启发的计算系统。在小行星动力学中，机器学习方法近来已被用于识别小行星族成员，以及识别处于三体共振中小行星的共振角图像等应用。在此，我们将对该领域的现有文献进行综述，并根据其他作者近期用于评估机器学习在其他天文子领域应用水平的指标对其进行分类。作为比较，机器学习在太阳系天体（包含小天体成像与分光光度测量的更广领域）中的应用已达到被归类为进展中的状态。研究群体与方法论更为成熟，且ML的使用导致了新天体或特征的发现。然而，应用于小行星动力学的ML仍处于新兴阶段，团队规模较小，产出发现的论文较少。大型观测巡天，如Vera C. Rubin天文台开展的巡天，将产生关于小行星轨道与物理特性的极大数据集。用于聚类、图像识别和异常检测等的ML应用目前正在开发中，并预计将提供极大帮助。