ThermoONet——基于深度学习的小天体热力学网络：用于模拟彗星水分子活性的应用
地球与行星天体物理
2025-05-21 v1 天体物理仪器与方法
机器学习
摘要
彗星活动是值得深入研究的课题，热力学模型在其理解中占据核心位置。然而，传统的数值求解方法计算耗时，制约了高分辨率或重复建模的研究。为此，我们采用机器学习方法开发ThermoONet——一个用于预测彗星温度和水冰升华通量的神经网络。性能评估表明，ThermoONet在地下温度上实现约2%的平均相对误差，计算时间缩短近六个数量级。我们将ThermoONet应用于模拟彗星67P/Churyumov-Gerasimenko和21P/Giacobini-Zinner的水分子活性。通过成功拟合这两个彗星的水分子产生率曲线（分别来自罗塞福任务和SOHO望远镜），我们证明了该网络的有效性与效率。进一步地，当与全局优化算法结合使用时，ThermoONet能够检索目标天体的物理属性。
引用
@article{arxiv.2505.14016,
title = {ThermoONet -- a deep learning-based small body thermophysical network: applications to modelling water activity of comets},
author = {Shunjing Zhao and Xian Shi and Hanlun Lei},
journal= {arXiv preprint arXiv:2505.14016},
year = {2025}
}
备注
accepted for publication in A&A