May, 2024

神经 CMS：研究木星内部的深度学习方法

PDF
TL;DR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。
jupiter's gravity fieldinterior structuredeep neural networkhigh-precision interior modelsdnn explainability algorithm
发现论文，激发创造
  • 利用物理信息的神经网络重建木星磁场

    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。

    Mar, 2024

  • 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

  • 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

  • 基于贝叶斯深度学习的修正引力宇宙体积

    使用具有不确定性估计的贝叶斯神经网络从修改引力模拟中提取宇宙学参数，优于传统神经网络的精确预测和校准不确定性估计

    Sep, 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

  • 利用神经网络加速外行星大气不平衡化学计算

    本研究探讨实现神经网络来替换一维化学动力学模型中的数学框架，以预测热木星大气模拟中的物种的混合比，结果显示，神经网络能够较准确地预测热木星大气中的物种混合比，且速度约快 1000 倍。

    Jun, 2023

  • 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

  • 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

  • 学习预测宇宙结构形成

    该研究使用深度学习模型解决宇宙结构形成的问题，并证明了这是一种实用和准确的替代方法。

    Nov, 2018

  • 通过神经网络实现大气密度自适应的火星进入精确导航

    使用神经网络进行在线滤波，以估计火星大气密度并根据估计的不确定性进行考虑分析，提高实时性能和精确对齐估计密度与多样的火星大气情景的最大似然方法。

    Jan, 2024