MasconCube: Fast and Accurate Gravity Modeling with an Explicit Representation
Pietro Fanti, Dario Izzo
不规则形状的小天体的大地测量为引力场建模带来了根本性的挑战,特别是随着深空探索任务越来越多地针对小行星和彗星。 传统方法受到关键限制:球形谐波在航天器通常运行的Brillouin球内出现分歧,多面体模型假设不现实的均匀密度分布,现有的机器学习方法如GeodesyNets和Physics-Informed Neural Networks(PINN-GM)需要广泛的计算资源和培训时间。 这项工作引入了MasconCubes,这是一种新颖的自我监督学习方法,将重力倒置作为常规3D网格(mascons)的直接优化问题。 与隐性神经表示不同,MasconCubes显式地模拟了质量分布,同时利用已知的小行星形状信息来限制解决方案空间。 对包括Bennu,Eros,Itokawa和合成行星在内的各种小行星模型的全面评估表明,MasconCubes在多个指标上实现了卓越的性能。 最值得注意的是,MasconCubes展示了计算效率优势,训练时间比GeodesyNets快40倍,同时通过显式质量分布保持物理可解释性。 这些结果使MasconCubes成为任务关键引力建模应用的一个有前途的方法,需要高精度,计算效率和物理洞察力对不规则天体的内部质量分布。
The geodesy of irregularly shaped small bodies presents fundamental challenges for gravitational field modeling, particularly as deep space exploration missions increasingly target asteroids and comets. Traditional approaches suffer from critical limitations: spherical harmonics diverge within the Brillouin sphere where spacecraft typically operate, polyhedral models assume unrealistic homogeneous density distributions, and existing machine learning methods like GeodesyNets and Physics-Informed ...
