[논문 리뷰] Study of the asteroid Bennu using geodesyANNs and Osiris-Rex data

Moritz von Looz, Pablo Gómez외 1명|arXiv (Cornell University)|2021. 09. 29.

Astro and Planetary Science참고 문헌 17인용 수 4

한 줄 요약

이 논문은 실제 Osiris-Rex 임무 데이터를 사용하여, 작은 돌 크기의 입자가 벤누 화성체를 공전하는 궤도 데이터에서 직접적으로 질량 밀도 분포를 추론하는 신경망 기반 접근법인 geodesyNets를 제안한다. 이 방법은 형상 모델이 필요 없이 균일 밀도 mascon 모델 수준의 중력장 정확도를 달성하며, 비중력력의 영향으로 인한 노이즈가 존재하는 상황에서도 비행체 내장형 자율 중력장 역전환의 가능성을 입증한다.

ABSTRACT

Asteroids and other small bodies in the solar system tend to have irregular shapes, owing to their low gravity. This irregularity does not only apply to the topology, but also to the underlying geology, potentially containing regions of different densities and materials. The topology can be derived from optical observations, while the mass density distribution of an object is only observable, to some extent, in its gravitational field. In a companion paper, we presented geodesyNets, a neural network approach to infer the mass density distribution of an object from measurements of its gravitational field. In the present work, we apply this approach to the asteroid Bennu using real data from the Osiris Rex mission. The mission measured the trajectories of not only the Osiris Rex spacecraft itself, but also of numerous pebble-sized rock particles which temporarily orbited Bennu. From these trajectory data, we obtain a representation of Bennu's mass density and validate it by propagating, in the resulting gravity field, multiple pebbles not used in the training process. The performance is comparable to that of a polyhedral gravity model of uniform density, but does not require a shape model. As little additional information is needed, we see this as a step towards autonomous on-board inversion of gravitational fields.

연구 동기 및 목표

• 작은 천체(예: 소행성)의 내부 질량 밀도 분포를 중력 궤도 데이터에서 추론하는 방법을 개발하는 것.
• Osiris-Rex 임무에서 확보한 실제 임무 데이터를 기반으로 신경망 기반 접근법(geodesyNets)을 검증하는 것.
• 사전에 형상 모델이 필요 없이도 고정밀 중력장 모델링을 달성할 수 있는지 평가하는 것.
• 태양 복사 압력 등 비중력력이 희박하고 노이즈가 많은 궤도 데이터로부터 중력장 역전환 정확도에 미치는 영향을 조사하는 것.
• 미래의 행성 과학 임무에서 신경망을 활용한 비행체 내장형 자율 중력장 역전환의 잠재력을 탐색하는 것.

제안 방법

• 관측된 가속도를 수치 미분을 통해 유도한 페블 궤도 데이터로부터, 벤누 내부의 3차원 질량 밀도 함수 f(x,y,z)를 예측하는 신경망을 훈련한다.
• 수정된 뉴턴 중력 법칙을 사용하여 밀도 함수를 체적적으로 통합함으로써 외부 점에서의 중력 가속도를 계산한다.
• 예측된 가속도를 관측된 가속도와 비교하여 훈련을 위한 정규화된 손실 함수를 계산한다.
• 훈련에 사용되지 않은 페블의 궤도를 전파하여, 예측된 궤도와 Scheeres 등 [4]에서 보고한 궤도를 비교함으로써 모델을 검증한다.
• 비차분(형상 모델 없음) 및 차분(형상 모델을 사용하여 균일 밀도에서의 편차를 추론) 두 가지 시나리오를 구현한다.
• 궤도 전파 과정에서는 비중력력(예: 태양 복사 압력)을 고려하지만, 네트워크 훈련 과정에서는 명시적으로 모델링하지 않는다.

실험 결과

연구 질문

• RQ1 형상에 대한 사전 지식 없이도 신경망이 희박하고 노이즈가 많은 궤도 데이터로부터 소행성의 질량 밀도 분포를 추론할 수 있는가?
• RQ2 실제 임무 데이터에 적용했을 때 geodesyNets 접근법이 mascon나 구면 조화 함수와 같은 전통적 중력 모델에 비해 성능가능성이 어떻게 비교되는가?
• RQ3 태양 복사 압력과 같은 비중력력이 희박하고 노이즈가 많은 궤도 데이터로부터 중력장 역전환 정확도에 얼마나 큰 영향을 미치는가?
• RQ4 균일 배경에서의 밀도 변화를 모델링하는 차분 접근법이 실제 벤누 데이터에 적용되었을 때 비차분 방법에 비해 정밀도가 향상되는가?
• RQ5 이 방법은 향후 행성 탐사 임무에서 비행체 내장형 자율 중력장 역전환에 적합하게 변형될 수 있는가?

주요 결과

• 형상 모델이 필요 없음에도 불구하고 비차분 geodesyNets 접근법은 3시간 후 궤도 전파 오차가 44.47미터로, 균일 밀도 mascon 모델(43.26미터)과 유사한 성능을 보였다.
• 점질량 모델(73.47미터 오차)보다 성능이 뚜렷이 뛰어나, 네트워크가 의미 있는 중력장 구조를 학습했다는 것을 확인했다.
• 차분 접근법은 의미 있는 내부 이질성을 포착하지 못했으며, 이는 페블의 크기와 질량에 대한 높은 불확실성이 실제 밀도 변화보다 노이즈를 증폭시켰기 때문일 것이다.
• 합성 실험 결과, 비중력력이 적절히 모델링된 경우, 인위적인 비균일 질량 분포를 성공적으로 복원할 수 있음을 확인하여, 이 방법이 원리적으로 가능하다는 것을 입증했다.
• 신경망는 형상 모델이 없음에도 불구하고 중력 가속도만으로도 벤누의 총체적 형태를 추론할 수 있었으며, 이는 기하학적 사전 지식이 누락된 상황에서도 강건함을 시사한다.
• 결과적으로, 향후 페블의 크기와 질량 추정치를 모델에 통합하면 특히 미세한 내부 이질성을 탐지하는 데 있어 정밀도 향상이 크게 기대된다.