Mar, 2024

利用物理信息的神经网络重建木星磁场

HTML
PDF
TL;DR利用Juno任务收集的数据进行的磁场勘探可以提供关于木星内部结构的限制。本文利用物理信息神经网络重建了木星内部磁场，并对使用Juno轨道的前33次（PINN33）或前50次（PINN50）的数据进行了重建。与其他方法相比，我们的重建结果与木星的磁场在表面和上方的情况非常相似，并且与Juno数据的拟合也类似。然而，我们的模型不受深度噪声的干扰，因此能够更清晰地描绘内部结构。我们估计，该星体边界位于半径的0.8倍处。在这个深度，磁场被排列成经向带，而巨大的蓝斑似乎根源于相邻结构的反向磁通。
发现论文，激发创造
  • 贝叶斯神经网络预测致密行星系统的溶解

    通过深度学习技术，使用基于贝叶斯神经网络的新颖内部结构学习预测指标，成功预测行星系统的不稳定性，并且在不同情境下表现出了强大的泛化能力和计算速度，为预测行星系统不稳定性提供了新方法。

    Jan, 2021

  • 基于深度学习的行星径向速度测量及星体变异的处理

    本文介绍了一种基于深度学习的方法来在恒星变化存在的情况下测量小行星的径向速度，该方法采用了神经网络，降低了三年HARPS-N太阳作为恒星的谱线的恒星RV抖动。作者设计和比较了降维和数据拆分方法，以及各种神经网络体系结构，包括单行CNN、单行CNN集合和多行CNN。作者通过注入类行星RV到谱线中并使用神经网络进行恢复，发现多行CNN能够恢复0.2 m/s的半振幅、50天的周期行星，并在振幅和周期上分别实现了8.8%和0.7%的误差。这种方法显示了缓解恒星RV变异和实现具有前所未有的精度探测小行星RV的前景。

    Apr, 2023

  • 用机器学习分类的物体测量柯伊伯带的平面

    用机器学习方法在可确定轨道的观测库珀带天体中识别出非共振矮行星数量，通过蒙特卡罗过程估计测量误差并发现非共振库珀带和经典库珀带的平均面与太阳系固定面大致接近，但仍有区别，只有在半长轴在40.3-42 au和45-50 au范围内发现显著差异 。

    Apr, 2023

  • 神经密度场的鲁棒性研究

    该研究研究了神经密度场及其对外部因素（如噪声或约束）的鲁棒性，研究表明预训练有助于加快网络训练，同时证明训练神经网络用于重力反演问题是合适的，只要重力信号能够与噪声区分开来。

    May, 2023

  • ExoMDN:使用混合密度网络快速表征外行星内部结构

    利用混合密度网络（MDN）和机器学习建立了ExoMDN模型，可以在1秒内处理获得行星每个层次的质量分数和厚度的完整后验分布，对小于25个地球质量的合成行星进行训练，并用于表征22个已确认的系外行星，包括GJ 1214 b，GJ 486 b和TRAPPIST-1行星等。模型可以方便地处理观察误差，并展示如何将流体Love数k2作为额外的（潜在的）观察量来减少内部结构的退化。利用ExoMDN的快速预测，测量约10%的k2精度可以约束地球类似体的核和地幔的厚度约为真实值的13％。

    Jun, 2023

  • 物理基础神经网络引力模型：第三代

    通过对模型设计的多次修改，引入了第三代物理信息神经网络重力模型（PINN-GM-III）来解决外推误差、对低空样本的偏见、高空数值不稳定性和符合边界条件等关键模型挑战。该模型经过对已知异质密度小行星进行建模，通过七个核心指标对其性能进行评估，展示了其对前任模型和其他解析和数值重力模型的优势。

    Dec, 2023

  • DBNets：公开可用的深度学习工具，用于测量尘埃原行星盘中年轻行星的质量

    利用卷积神经网络从原行星盘的尘埃连续辐射中分析子结构并快速推测嵌入行星的质量的一种深度学习工具(DBNets)研究成果显示：其能够有效评估行星质量并考虑建模和技术引入的相关不确定性，通过测试及观察的结果证实了其适用性和准确性。

    Feb, 2024

  • 机器学习辅助的跨海王星天体的动力学分类

    使用大规模多样性的训练集和经过精心选择的基于数值积分的TNO轨道动力学数据特征，我们提出了一种改进的监督式机器学习分类器，其返回结果与人工分类器相匹配的频率为98％，与动力学相关的分类为99.7％。这种分类器比人工分类方法效率更高，将改善观测和建模的TNO数据分类。

    May, 2024

  • 神经CMS：研究木星内部的深度学习方法

    通过NASA的Juno任务提供的木星重力场精确测量与伽利略入口探测仪大气测量相结合，研究表明，推断巨大星球的内部结构仍然是一项具有挑战性的逆向问题，需要对各种行星属性进行计算密集型搜索，提出了一种基于计算密集型Maclaurin准确椭球（CMS）方法的高精度广泛内部模型的有效深度神经网络（DNN）模型。

    May, 2024

  • 磁图到磁图：太阳演化的生成预测

    通过图像到图像的转换和去噪扩散概率模型，我们引入了一种新的方法来预测太阳光学磁图的演变，该方法综合了图像质量的计算机科学指标和物理准确度的物理指标来评估模型性能，结果显示，扩散概率模型不仅在维持太阳磁场的结构完整性、动态范围、磁通量等物理特征方面表现出色，而且在活动区的大小等其他物理特征以及耐火情况下的传统持久性模型中超越传统持久性模型，我们的目标是使用深度学习作为观测望远镜的集成和交互工具，提高我们对太阳耀斑等意外物理事件的理解，未来的研究将致力于整合更多多样化的太阳数据，以提高我们的生成模型的准确性和适用性。

    Jul, 2024