【儀表網(wǎng) 研發(fā)快訊】近日，南京大學(xué)天文與空間科學(xué)學(xué)院(趙舜景，雷漢倫)與中國科學(xué)院上海天文臺(史弦)合作取得了基于人工智能技術(shù)的小行星表面溫度建模方面的重要進(jìn)展。相關(guān)研究成果以“Deep operator neural network applied to efficient computation of asteroid surface temperature and the Yarkovsky effect”為題，發(fā)表于國際天文學(xué)期刊《天文與天體物理》(Astronomy & Astrophysics)。
 

　　小行星表面溫度建模是研究小行星性質(zhì)和演化的重要技術(shù)方法。一方面，它可以與中紅外觀測數(shù)據(jù)結(jié)合用于反演小行星表面物理性質(zhì)；另一方面，它是計算雅科夫斯基效應(yīng)與YORP效應(yīng)的基礎(chǔ)，為分析小行星長期軌道演化提供關(guān)鍵信息，并直接關(guān)系到對近地小行星與地球的碰撞概率的精確預(yù)測。
 

　　傳統(tǒng)的小行星表面溫度建?；谝痪S熱傳導(dǎo)方程的求解，通常采用差分法等數(shù)值方法實現(xiàn)，計算效率較低。近年來，隨著地/空基望遠(yuǎn)鏡和深空探測技術(shù)的發(fā)展，小行星觀測數(shù)據(jù)大量增加，傳統(tǒng)方法顯然已經(jīng)無法有效滿足我們對于大樣本、高時空分辨率數(shù)據(jù)的分析需求，尋找一種可以高效模制小行星表面溫度的方法也就顯得至關(guān)重要。
 

　　本工作首次成功建立了基于人工智能技術(shù)DeepONet神經(jīng)網(wǎng)絡(luò)的小行星熱物理模型?；谏窠?jīng)網(wǎng)絡(luò)極高的計算效率與強(qiáng)大的泛化性能，進(jìn)一步引入注意力機(jī)制訓(xùn)練獲得具有普適性的表面溫度生成模型。與傳統(tǒng)數(shù)值方法相比，神經(jīng)網(wǎng)絡(luò)模型的計算精度優(yōu)于1%(圖1)，而計算效率提高了近5個數(shù)量級(圖2)。
 

　　圖 1 利用傳統(tǒng)數(shù)值方法與DeepONet神經(jīng)網(wǎng)絡(luò)獲得的小天體表面溫度分布及比對
 

圖 2 針對由N個面元構(gòu)成的小行星形狀模型，不同建模方法所需的時間對比
 

　　對計算效率瓶頸的突破，使我們能夠以超高時空分辨率仿真小行星表面溫度，進(jìn)而實現(xiàn)對雅可夫斯基效應(yīng)等影響小行星長期動力學(xué)演化的相關(guān)物理過程的高精度建模。文章采用了雅科夫斯基效應(yīng)加速度的參數(shù)空間掃描與實時雅科夫斯基效應(yīng)下軌道演化作為算例，表明新模型在相關(guān)研究課題中均能表現(xiàn)出優(yōu)秀的實用性。
 

　　該工作由小天體動力學(xué)領(lǐng)域資深科學(xué)家David Vokrouhlický 實名審稿并給出積極評價，認(rèn)為這一方法上的突破能為分析即將獲得的大量小行星巡天數(shù)據(jù)提供重要幫助。
 

　　第一作者趙舜景為南京大學(xué)和上海天文臺聯(lián)合培養(yǎng)博士生，該工作得到國家自然基金項目、國家自然基金重點項目以及科技部重點研發(fā)計劃項目資助。