NeuralCMS：研究木星内部结构的深度学习方法

NASA 的 Juno 任务提供了木星引力场的优秀测量值，结合 Galileo 入口探针的大气测量数据，可约束巨行星的内部结构。推断其内部结构范围仍是一个具有挑战性的逆问题，需要对各种行星属性（如云层温度、组成和核心特征）的组合进行计算密集型搜索，需计算约 $10^9$ 个内部模型。我们提出了一种高效的深度神经网络 (DNN) 模型，基于非常准确但计算密集的同心马克洛林椭球体 (CMS) 方法，生成高精度、广泛范围的内部模型。我们训练了一个基于共享的 DNN，针对包括稀释核心在内的木星四层内部模型，准确预测给定内部特征组合下的引力矩和质量。我们评估了训练好的 DNN (NeuralCMS) 的性能，检查其预测限制。NeuralCMS 在预测引力矩方面表现良好，误差可与因差分旋转引起的不确定性相当，且质量预测非常准确。这使我们能够通过仅计算约 $10^4$ 个实际 CMS 内部模型，进行广泛的参数空间搜索，得到大量可行的内部结构样本，将计算时间缩短约 $10^5$ 倍。此外，我们使用 DNN 可解释性算法分析了设定内部模型参数对预测可观测量的影响，提供了这些参数之间非线性关系的信息。