[논문 리뷰] Geodesy of irregular small bodies via neural density fields: geodesyNets

Dario Izzo, Pablo Gómez|arXiv (Cornell University)|2021. 05. 27.

Astro and Planetary Science참고 문헌 41인용 수 4

한 줄 요약

이 논문은 기하학적 지형 네트워크(geodesyNets)를 소개하며, 불규칙한 소형 천체의 3D 밀도 분포를 최소한의 사전 지식으로 모델링하는 신경망 기반 방법을 제안한다. 이 방법은 표면 근처에서도 중력 가속도 예측에서 1% 미만의 상대 오차를 달성하며, 사전에 알려진 형상 모델이 필요 없이 표면 형상과 내부 구조를 모두 재구성할 수 있다.

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.

연구 동기 및 목표

• 불규칙한 소형 천체(소행성 및 코메트 등)에 대해 중력 측정치로부터 내부 질량 분포와 형상을 추론하는 문제에 대응한다.
• 구형 조화함수, 마스콘, 다면체 모델 등 기존 중력 모델의 한계를 극복한다. 이러한 모델들은 형상 또는 밀도에 대해 강한 가정이 필요하다.
• 기존의 천체 형상에 대한 지식이 없이도 적용 가능한 일반적이고, 미분 가능하며 계산적으로 효율적인 지형학적 방법을 개발한다.
• 형상 정보가 제공될 경우, 표면 형상과 내부 밀도 구조를 고해상도로 재구성할 수 있도록 한다.
• 실제 소행성(Bennu, Eros, Itokawa, 67P)과 합성 모델(Planetesimal, Torus)을 포함한 다양한 천체에 대해 메서드의 강건성을 입증한다.

제안 방법

• 체체를 둘러싼 입방체 부피 내에서, 중력 측정치를 감독으로 사용하여 지속적이고 미분 가능한 3D 밀도 필드(신경 밀도 필드)를 학습하는 딥 뉴럴 네트워크를 훈련한다.
• 3D 공간 좌표를 표현하고 국소 밀도 값을 예측하기 위해 위치 인코딩을 사용하는 다층 퍼셉트론(MLP)을 사용한다.
• 예측된 중력 가속도와 진값 중력 가속도 간의 평균 절대 오차(MAE)를 기반으로 한 손실 함수를 사용하여 네트워크를 훈련한다. 진값은 고해상도 다면체 또는 마스콘 모델로부터 유도된다.
• 형상 정보가 가용할 경우 보조 입력으로 통합하여, 네트워크가 더 정확한 밀도 분포를 학습하고 재구성 정밀도를 향상시킬 수 있도록 한다.
• 모든 천체를 비차원 단위(G=1, L=1, M=1)로 표준화하고, 최대 좌표 크기가 단위 입방체 내에서 δ_max=0.8가 되도록 모델을 재스케일링한다.
• N-체 시뮬레이션에서 유도된 Planetesimal과 토러스형 모양인 Torus를 포함한 합성 데이터셋을 생성하며, 이는 Churyumov–Gerasimenko의 질량과 크기와 일치하도록 한다.

실험 결과

연구 질문

• RQ1 신경망은 천체 형상에 대한 사전 지식 없이 중력 데이터만으로 불규칙한 소형 천체의 내부 밀도 분포를 정확하고 미분 가능한 3D 표현으로 학습할 수 있는가?
• RQ2 특히 다면체 중력 모델이나 마스콘 모델과 비교했을 때, geodesyNets는 불규칙한 천체 표면 근처에서 중력 가속도를 얼마나 정확하게 예측할 수 있는가?
• RQ3 훈련 중 형상 정보가 제공될 경우, 메서드는 진짜 천체 형상과 내부 구조를 어느 정도 정확하게 복원할 수 있는가?
• RQ4 Bennu의 극 지역에서 밀도 비율이 2.0배로 증가하거나 Itokawa의 머리 부분에서 1.6배로 증가하는 등 비균일한 내부 밀도 분포를 가진 천체에 대해 메서드는 어떻게 성능을 발휘하는가?
• RQ5 실제 소행성과 Planetesimal, Torus와 같은 합성 형태를 포함한 매우 다른 형태의 천체에 대해 메서드는 일반화 성능을 얼마나 잘 보여주는가?

주요 결과

• geodesyNets는 Bennu, Eros, Itokawa, 67P를 포함한 모든 테스트 대상 천체에서 표면 근처에서도 중력 가속도 예측 상대 오차가 1% 미만임을 입증했다.
• 형상 입력을 명시적으로 요구하지 않아도 학습된 밀도 필드로부터 천체 형상을 성공적으로 재구성하며, 이는 자기 일관성 있는 지형학적 모델로서의 능력을 보여준다.
• 형상 정보가 제공될 경우 geodesyNets는 정확도를 크게 향상시키며, Bennu의 극 지역에서 2.0배 높은 밀도나 Itokawa의 머리 부분에서 1.6배 증가한 밀도와 같은 내부 이질성을 해석할 수 있다.
• 내부가 빈 공간을 가진 복잡한 내부 구조(예: Planetesimal 모델의 빈 공간)를 고해상도로 모델링할 수 있으며, 이는 내부 마스콘 질량을 0으로 설정하고 재정규화함으로써 가능하다.
• geodesyNets의 훈련은 계산적으로 효율적이고 확장 가능하며, 실제 소행성에서 합성 형태에 이르기까지 다양한 천체에 적용 가능한 통합 수치 파이프라인을 제공한다.
• 형상이나 밀도에 대한 가정이 불확실한 상황에서 기존 방법보다 우수한 성능을 보이며, 구형 조화함수, 마스콘, 다면체 중력 모델의 일반적인 대안을 제공한다.