[論文レビュー] Geodesy of irregular small bodies via neural density fields: geodesyNets

Dario Izzo, Pablo Gómez|arXiv (Cornell University)|May 27, 2021

Astro and Planetary Science参考文献 41被引用数 4

ひとこと要約

この論文では、不規則な小惑星の3次元密度分布を最小限の事前知識でモデル化するニューラルネットワークベースの手法、geodesyNetsを紹介する。表面付近ですら重力加速度予測の相対誤差が1%未塔に抑えられ、事前形状モデルを必要とせずに形状と内部構造の両方を再構築可能である。

ABSTRACT

We present a novel approach based on artificial neural networks, so-called geodesyNets, and present compelling evidence of their ability to serve as accurate geodetic models of highly irregular bodies using minimal prior information on the body. The approach does not rely on the body shape information but, if available, can harness it. GeodesyNets learn a three-dimensional, differentiable, function representing the body density, which we call neural density field. The body shape, as well as other geodetic properties, can easily be recovered. We investigate six different shapes including the bodies 101955 Bennu, 67P Churyumov-Gerasimenko, 433 Eros and 25143 Itokawa for which shape models developed during close proximity surveys are available. Both heterogeneous and homogeneous mass distributions are considered. The gravitational acceleration computed from the trained geodesyNets models, as well as the inferred body shape, show great accuracy in all cases with a relative error on the predicted acceleration smaller than 1\% even close to the asteroid surface. When the body shape information is available, geodesyNets can seamlessly exploit it and be trained to represent a high-fidelity neural density field able to give insights into the internal structure of the body. This work introduces a new unexplored approach to geodesy, adding a powerful tool to consolidated ones based on spherical harmonics, mascon models and polyhedral gravity.

研究の動機と目的

• 不規則な小惑星やコメットのような天体の重力測定から内部質量分布と形状を推定する課題に対処すること。
• 球面調和関数、マスコン、多面体モデルなどの従来の重力モデルが形状や密度に関する強い仮定を必要とするという限界を克服すること。
• 事前に天体の形状を知らなくてもよい汎用的で微分可能かつ計算効率の良い地政学的測定法を開発すること。
• 形状情報が利用可能な場合に、表面形状と内部密度構造の高精度な再構築を可能にすること。
• Bennu, Eros, Itokawa, 67Pといった実際の小惑星およびPlanetesimal, Torusといった合成モデルを含む多様な天体に対して、本手法の頑健性を示すこと。

提案手法

• 重力測定を教師データとして用い、物体を囲む立方体領域内に連続的かつ微分可能な3次元密度場（ニューラル密度場）を学習するための深層ニューラルネットワークを訓練する。
• 位置符号化を用いた多層パーセプトロン（MLP）を用い、3次元空間座標を表現し、局所的な密度値を予測する。
• 予測された重力加速度と真値との平均絶対誤差（MAE）に基づく損失関数を用いてネットワークを訓練し、真値は高精度な多面体モデルまたはマスコンモデルから導出する。
• 形状情報が利用可能な場合に、それを補助入力として取り入れることで、ネットワークがより正確な密度分布を学習し、再構築の忠実度を向上させられる。
• すべての天体を次元なしの単位（長さ、質量、時間）に標準化し、G=1、L=1、M=1とする。また、最大座標の絶対値が単位立方体内でδ_max=0.8になるようにモデルをスケーリングする。
• N体シミュレーションから得たPlanetesimalとトーラス形状のTorusの両方を含む合成データセットを生成し、Churyumov–Gerasimenkoの質量とサイズに一致させる。

実験結果

リサーチクエスチョン

• RQ1 形状の事前知識が全くない状態で、重力データのみからニューラルネットワークが不規則な小惑星の内部密度分布を正確に、微分可能な3次元表現として学習できるか？
• RQ2 特に多面体重力モデルやマスコンモデルといった従来手法と比較して、geodesyNetsは不規則天体の表面付近での重力加速度予測をどの程度正確に行えるか？
• RQ3 訓練時に形状情報を提供された場合、本手法は真の天体形状と内部構造をどの程度正確に回復できるか？
• RQ4 Bennuの極域に密度異常がある場合や、Itokawaの頭部に高密度領域があるような不均一な内部密度分布を持つ天体に対しても、本手法はどの程度有効か？
• RQ5 実際の小惑星やPlanetesimalやTorusといった合成形状など、顕著に異なる形状を示す天体に対しても、本手法は一般化可能か？

主な発見

• Bennu, Eros, Itokawa, 67Pを含むすべてのテスト対象天体において、表面付近でもgeodesyNetsは重力加速度予測の相対誤差が1%未塔に抑えられ、高い精度を達成している。
• 形状入力を明示的に必要とせず、学習された密度場から天体形状を正確に再構築でき、自己整合的な地政学的モデルとしての能力を示している。
• 形状情報を提供した場合、精度が著しく向上し、Bennuの極域で2.0倍の高密度領域や、Itokawaの頭部で1.6倍の密度増加といった内部不均一性を解像可能である。
• 内部マスコン質量を0に設定し再正規化することで、Planetesimalモデルにおける空洞領域のような複雑な内部構造の高精度モデリングが可能である。
• geodesyNetsの学習は計算的に効率的でスケーラブルであり、実際の小惑星から合成形状に至る多様な天体に適用可能な統一された数値パイプラインを有する。
• 形状や密度に関する仮定が不確実な状況において、本手法は球面調和関数、マスコン、多面体重力モデルといった従来手法を凌駕し、汎用的な代替手法を提供する。