【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(guó)科學(xué)院上海天文臺(tái)(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(guó)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(cè)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(jì)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(zhǎng)期軌道演化提供關(guān)鍵信息，并直接關(guān)系到對(duì)近地小行星與地球的碰撞概率的精確預(yù)測(cè)。
 

　　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(shí)現(xiàn)，計(jì)算效率較低。近年來(lái)，隨著地/空基望遠(yuǎn)鏡和深空探測(cè)技術(shù)的發(fā)展，小行星觀測(cè)數(shù)據(jù)大量增加，傳統(tǒng)方法顯然已經(jīng)無(wú)法有效滿足我們對(duì)于大樣本、高時(shí)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(jì)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(jì)算精度優(yōu)于1%(圖1)，而計(jì)算效率提高了近5個(gè)數(shù)量級(jí)(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(duì)
 

圖 2 針對(duì)由N個(gè)面元構(gòu)成的小行星形狀模型，不同建模方法所需的時(shí)間對(duì)比
 

　　對(duì)計(jì)算效率瓶頸的突破，使我們能夠以超高時(shí)空分辨率仿真小行星表面溫度，進(jìn)而實(shí)現(xiàn)對(duì)雅可夫斯基效應(yīng)等影響小行星長(zhǎng)期動(dòng)力學(xué)演化的相關(guān)物理過(guò)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(shí)時(shí)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(shí)用性。
 

　　該工作由小天體動(dòng)力學(xué)領(lǐng)域資深科學(xué)家David Vokrouhlický 實(shí)名審稿并給出積極評(píng)價(jià)，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(tái)聯(lián)合培養(yǎng)博士生，該工作得到國(guó)家自然基金項(xiàng)目、國(guó)家自然基金重點(diǎn)項(xiàng)目以及科技部重點(diǎn)研發(fā)計(jì)劃項(xiàng)目資助。