物理学
Physics
加速器物理
Accelerator Physics
应用物理学
Applied Physics
大气与海洋物理学
Atmospheric and Oceanic Physics
精确的热球密度预测对于低地球轨道的可靠卫星运行至关重要,特别是在高太阳和地磁活动中。 基于物理的模型,如TIE-GCM提供高保真度,但计算成本昂贵,而像NRLMSIS这样的经验模型效率很高,但缺乏预测能力。 这项工作提出了一个基于变压器的模型,可以预测未来三天的密度,并旨在取代经验基线。 与最近的方法不同,它避免了空间减少和复杂的输入管道,直接在紧凑的输入集上运行。 该模型在真实世界数据上进行了验证,改进了关键预测指标,并显示了支持任务规划的潜力。
实时观测和预测日冕物质抛射(CME)至关重要,因为它们可能产生强烈的地磁风暴,例如对卫星和电气设备产生潜在的破坏性影响。 凭借其近乎实时的可用性,STEREO / HI信标数据是早期预测CME的完美候选者。 然而,之前的工作得出的结论是,由于数据差距和质量较低,基于信标数据的CME到达预测无法实现与高分辨率科学数据相同的精度。 我们展示了名为“Beacon2Science”的新管道,弥合了信标和科学数据之间的差距,以改善CME跟踪。 通过这条管道,我们首先提高了信标数据的质量(信号与噪声比和空间分辨率)。 然后,我们通过学习插值来增加增强信标图像的时间分辨率,以匹配科学数据40分钟的分辨率。 我们通过不同的步骤最大化了具有适应模型架构的连续帧和损失函数之间的信息一致性。 改进的信标图像可与科学数据相媲美,比原始信标数据显示更好的CME可见性。 此外,我们比较了在信标、增强信标和科学图像中跟踪的CME。 从增强的信标数据中提取的轨道更接近于来自科学图像的轨道,与原始信标数据相比,平均平均误差∼0.5 ^∘∘。 本文介绍的工作为适用于即将设立的特派团,如 " 守夜 " 和 " PUNCH " 铺平了道路。
在这项研究中,我们推出了一个名为PhyE2E的新AI模型,通过符号回归来发现物理公式。 PhyE2E通过使用神谕神经网络的二阶衍生物将其分解为子问题,简化了符号回归,并使用变压器模型以端到端的方式将数据转换为符号公式。 由此产生的公式通过蒙特卡洛树搜索和遗传编程进行改进。 我们利用大型语言模型合成类似于真实物理学的广泛符号表达式,并训练模型直接从数据中恢复这些公式。 综合评估表明,PhyE2E优于现有的最先进的方法,提供卓越的符号精度,数据拟合精度和物理单元的一致性。 我们将PhyE2E部署到太空物理学的五个应用中,包括太阳黑子数字的预测,太阳旋转角速度,发射线贡献函数,近地等离子体压力和月潮等离子体信号。 人工智能产生的物理公式在拟合卫星和天文望远镜的实验数据方面表现出高度的准确性。 我们成功地升级了1993年NASA提出的关于太阳活动的公式,并首次以明确的形式解释了太阳活动的长周期。 我们还发现,近地等离子体压力的衰减与地球成正比,随后的数学推导与另一项独立研究的卫星数据一致。 r^2 此外,我们发现物理公式可以描述太阳极紫外光谱中发射线,温度,电子密度和磁场之间的关系。 获得的公式与物理学家先前假设它应该具备的特性一致。
我们提出了一个可扩展的机器学习框架,用于使用分布式处理和量子启发的内核密度矩阵(KDM)方法分析帕克太阳探测器(PSP)太阳风数据。 PSP数据集(2018-2024)超过150 GB,挑战传统的分析方法。 我们的框架利用Dask进行大规模统计计算和KDM来估计关键太阳风参数的单变量和双变量分布,包括太阳风速,质子密度和质子热速,以及每个参数的异常阈值。 我们揭示了内日光层的特征趋势,包括随着距离太阳的增加太阳风速,降低质子密度,以及速度和密度之间的反向关系。 太阳风结构在增强和调解极端空间天气现象方面起着关键作用,并可能引发地磁风暴;我们的分析提供了对这些过程的定量见解。 这种方法提供了一种可处理,可解释和分布式的方法来探索复杂的物理数据集,并促进对大规模现场测量的可重复分析。 处理的数据产品和分析工具已公开提供,以推进太阳能风能动力学和空间天气预报的未来研究。 本研究中使用的代码和配置文件公开可用以支持可重复性。
分析多功能时间序列数据对于进行高效的事件检测(可能是机载)对于自动分析至关重要的空间任务至关重要。 然而,有限的机载计算资源和数据下行限制需要强大的方法来实时识别感兴趣的区域。 这项工作提出了基于主要组件分析(PCA)重建错误的自适应异常值检测算法,用于减少功能,该算法专为空间任务应用而设计。 该算法通过使用增量PCA动态适应不断发展的数据分布,无需对所有可能条件的预定义模型即可进行部署。 预扩展过程使每个特征的大小正常化,同时保持特征类型中的相对方差。 我们展示了该算法在检测空间等离子体事件方面的有效性,例如不同的空间环境,昼夜和夜侧瞬态现象,以及通过NASA的MMS任务观测的过渡层。 此外,我们将该方法应用于NASA的THEMIS数据,使用机载测量成功识别日间瞬态。
太阳帆提供了一种使用太阳辐射压力的推进手段,它提供了令人兴奋的新航天器能力的可能性。 然而,太阳帆具有姿态控制挑战,因为它们由于风帆及其支撑结构的不完善以及有限的驱动能力而遇到显着的扰动扭矩。 Cable-Activuated Bio-inspired Lightweight Elastic Solar Sail(CABLESSail)概念之前被提出,通过电缆驱动控制风帆的形状来克服这些挑战。 CABLESSail的结构灵活性带来了控制挑战,因此需要为该系统设计强大的反馈控制器。 拟议的研究的目的是设计一个强大的控制器,以确保精确和可靠地控制 CABLESSail 的热潮。 考虑到系统动力学和 CABLESSail 概念的动态特性,设计了一个基于被动率的比例衍生 (PD) 控制器,用于 CABLESSail 系统上的单个吊臂。 为了达到非零期望的设定点,还应用于控制法,并使用时间不同的前馈输入,而不是用于有效跟踪时间变化所需的波段尖端偏转。 这种控制法是通过数值模拟和使用太阳能巡洋舰的小规模原型的测试来评估的。 模拟和测试结果表明,这种具有时间变化的前馈输入的PD控制可以可靠地控制灵活的电缆驱动太阳帆。
太阳耀斑是太阳系中最具爆炸性的现象,也是从日冕物质抛射开始的事件链的主要触发因素,并导致地磁风暴,可能对地球上的基础设施产生影响。 数据驱动的太阳耀斑预测依赖于深度学习方法,这种方法在操作上很有希望,但具有低可解释性程度,或机器学习算法,它可以提供有关主要影响预测的物理描述符的信息。 本文介绍了一个基于Web的技术平台,用于执行基于特征的机器学习方法的计算管道,提供对耀斑发生的预测,特征排名信息以及预测性能的评估。
人工智能算法作为预测新化合物作为电力推进的替代推进剂的性能的工具,专注于预测它们的电离特性和碎片模式。 化合物的化学性质和结构使用化学指纹进行编码,训练数据集从NIST WebBook中提取。 AI预测的电离能量和最小外观能量的平均相对误差为6.87
准确的空间天气预报对于保护我们日益数字化的基础设施至关重要。 像Vlasiator这样的混合Vlasov模型提供了超出当前操作系统的物理现实主义,但计算成本太高,无法实时使用。 我们引入了一个基于图形的神经模拟器,在Vlasiator数据上训练,以自动递归地预测由上游太阳风驱动的近地空间条件。 我们展示了如何实现快速确定性预测,并使用生成模型,产生集合来捕捉预测的不确定性。 这项工作表明,机器学习提供了一种为现有空间天气预报系统添加不确定性量化能力的方法,并使混合-弗拉索夫模拟可操作。
这项研究提出了火星火山地形的原位资源利用(ISRU)示意图。 这项工作调查了火山地形和火星环境危害的复杂性,并提出了全面的工程策略,以克服困难,并在火星火山地区建立一个成功的采矿计划。 斜坡稳定方法 - 例如梯田和锚定钻井平台 - 与能够在陡峭不稳定的山坡上自主操作的地形适应漫游者已被建议作为可行的解决方案,以导航火星火山的复杂地质地形。 中程漫游车设计的质量约为2.1吨,这里提议用于采矿作业,包括六轮摇杆悬架,锚定钻井臂,防尘太阳能电池阵列和用于危险检测和导航的先进传感系统。 还在对建设交通基础设施的公路和铁路的选择进行了比较分析。 我们还研究了火星车在火星极端环境条件下工作的能量需求,并建议将太阳能和核能结合起来,以解释火星持续运行的巨大能源需求。 结果表明,在这些环境中的任务成功取决于整合机械弹性,环境适应性和操作自主性,使火星最具地质挑战性的环境之一能够可持续地获得资源。
机器人在轨服务(OOS)有望成为未来可持续太空探索的关键技术和概念。 本文为OOS系统分析开发了一个半分析模型,响应机器人OOS不断增长的需求和持续趋势。 考虑使用OOS基础设施系统,其目标是为分布在太空的一组客户模块化卫星(例如,在地球同步赤道轨道)的随机故障提供响应服务。 考虑的 OOS 架构包括一个服务人员,它为客户卫星旅行并提供模块替换服务,一个储存备件的在轨仓库,以及一系列运载火箭来补充仓库。 通过评估给定故障的服务完成前的平均等待时间及其与仓库容量的关系来分析 OOS 系统性能。 利用队列理论和库存管理方法,开发的半分析模型能够分析 OOS 系统的性能,而无需依赖计算成本高昂的模拟。 与模拟结果相比,使用案例研究证明了拟议模型的有效性。 本文有望为推动复杂空间系统设计的分析/半分析模型开发研究前沿提供关键步骤。
在快速发展的自治系统领域,共享环境中的代理之间的交互对于增强整体系统能力是不可避免的,也是必不可少的。 这种多智能体系统的一个关键要求是每个代理能够可靠地预测其最近邻居的未来位置。 传统上,图形和图形理论一直是建模代理间通信和关系的有效工具。 虽然这种方法被广泛使用,但本工作提出了一种新的方法,以前瞻性的方式利用动态图形。 具体来说,使用动态图卷积网络EvolveGCN来预测代理间关系随着时间的推移的演变。 为了提高预测准确性和确保物理合理性,本研究结合了基于Clohessy-Wiltshire运动方程的物理约束损失函数。 这种集成方法增强了多智能体场景中未来状态估计的可靠性。
低地球轨道(低地球轨道)中越来越多的空间碎片危及长期轨道可持续性,需要对主动清除碎片进行有效的风险评估。 这项研究介绍了过滤改性MITRI(FMM)的开发与验证,这是一种增强的风险指数,旨在提高高临界性碎片的优先级。 利用MOCAT-MC仿真框架,我们进行了全面的性能评估和灵敏度分析,以探测FMM配方的稳健性。 结果表明,虽然FMM为年度清除活动提供了对高风险目标的卓越识别,但风险模型之间根据操作移除节奏的不同,存在微妙的性能权衡。 分析还证实,物理基础的质量术语对于实际风险评估是必不可少的。 通过提供经过验证的开源工具和对风险动态的关键见解,这项研究增强了我们选择最佳ADR目标并确保LEO运营长期可行性的能力。
空间天气事件对现代经济构成日益严重的威胁,但宏观经济后果仍然未被充分估计。 这项研究首次对新西兰Aotearoa的地磁风暴影响进行了专门的经济评估,量化了由于极端日冕物质抛射(CME)造成的七个破坏和缓解情景中的潜在GDP损失。 主要重点是地磁诱导电流(GIC)对电力传输网络的破坏性影响。 目标是支持围绕空间天气减缓投资的决策,提供对其潜在经济效益的第一顺序近似。 我们发现,在没有缓解的情况下,一场严重但现实的风暴可能导致高达83.6亿新西兰元的GDP损失,其中一半以上来自连锁供应链效应。 然而,即使不那么严重的情况也会导致超过30亿新西兰元的损失。 重要的是,以研究为主导的运营战略,如优化的转换和岛内,可以避免高达3.7亿新西兰元的损失,而支出只有50万新西兰元,效益成本比为740比1。 此外,GIC阻断设备等物理保护进一步将干扰减少到低至11.2亿新西兰元,避免了高达23亿新西兰元的GDP损失,以及高达80比1的收益成本回报。 当承认未模拟的影响,包括数十亿美元的资本设备和长期收入损失时,先发制人缓解的经济理由变得更加相关。 未来的研究需要整合具有战略重要性的工业设施的资本和收入损失模型。
预计未来几年,顺子空间的流量将增加,导致活跃卫星、轨道碎片和非合作卫星之间发生联合事件的可能性更高。 这种增加需要增强空间域意识(SDA)的能力,包括国家对感兴趣的目标的估计。 地球同步轨道或以下的地球表面和天基观测平台都面临着范围、排除和遮挡等阻碍观测的挑战。 由于需要将天基观测者置于顺子空间制度中以克服这些挑战,本文提出了一个顺子卫星SDA星座设计和分析框架,该框架将状态估计纳入优化问题,以确定观察员在一组目标上的最佳状态估计性能。 拟议的多观察者放置优化问题样本来自一系列可能的目标轨道。 在趋同后,优化的星座根据一套更广泛的目标进行验证,以评估其有效性。 提出了两项比较分析,以评估传感器任务过程的变化和传感器保真度对优化星座的影响,并将这些与单个观察者基线案例进行比较。 结果表明,优化的星座可以为各种轨道家族提供准确的状态估计。
我们介绍了可压缩大气模型网络(CAM-NET),这是一个AI模型,旨在以高精度和计算效率预测从地球表面到电离层的中性大气变量。 整个大气的精确建模对于理解重力波的向上传播至关重要,重力波会影响大气层的上大气动力学和耦合。 CAM-NET利用球形傅里叶神经操作员(SFNO)捕获全球规模的大气动力学,同时保留地球的球形结构。 CAM-NET通过整个大气社区气候模型与热层和电离层超长(WACCM-X)的十年数据集进行了培训,展示了与WACCM-X相当的准确性,同时在推理时间上实现了超过1000倍的加速,可以在经过训练后几分钟内提供一年的模拟。 该模型有效地预测了关键的大气参数,包括区域风和经风、温度和时间压力率。 受使用外部耦合器模拟示踪传输的传统建模方法的启发,CAM-NET引入了一种模块化架构,该架构明确将示踪器预测与核心动力学分开。 CAM-NET的核心主干侧重于预测主要物理变量(例如温度,风速),而示踪变量则通过轻量级,微调模型预测。 这种设计能够以最低的计算成本有效地适应特定的示踪场景,避免了重新训练整个模型的需要。 我们已经在O^2示踪仪上验证了这种方法,展示了强大的性能和泛化能力。
行星际日冕物质抛射(ICME)是空间天气扰动的主要驱动因素,对技术基础设施和人类活动都构成了风险。 自动检测太阳风原位数据中的ICME对于早期预警系统至关重要。 虽然已经提出了几种方法在时间序列数据中识别这些结构,但稳健的实时检测仍然是一个重大挑战。 在这项工作中,我们介绍了ARCANE - 第一个明确设计用于在现实操作约束下流式传输太阳风数据的早期ICME检测的框架,无需观察整个结构即可实现事件识别。 我们的方法通过将基于机器学习的方法与基于阈值的基线进行比较来评估检测模型的优势和局限性。 ResUNet++模型以前在科学数据上验证过,大大优于基线,特别是在检测高影响事件方面,同时在低影响情况下保持稳健的性能。 值得注意的是,我们发现使用实时太阳风(RTSW)数据而不是高分辨率科学数据只能导致最小的性能下降。 尽管操作设置面临挑战,但我们的检测管道实现了0.53的F1得分,平均检测延迟为事件持续时间的21.5,而只看到最少的数据量。 随着更多数据的出现,性能显著提高。 这些结果标志着在空间天气监测方面迈出了实质性的一步,并为增强实时预测能力奠定了基础。
估计航天器之间碰撞的概率对于风险管理和避免碰撞策略至关重要。 目前的方法通常依赖于高斯的假设和简化,这在高度非线性的场景中可能是不准确的。 本文提出了计算碰撞概率的一般和高效方法,而不依赖于这些假设。 使用高阶多变量泰勒多项式,我们将初始不确定因素的统计时刻传播到航天器之间最接近的点。 为了计算碰撞的概率,我们得出了最接近接近距离的概率密度函数(PDF)的半分析表达式,使用正交多项式从传播的瞬间推断出来。 在低地球轨道上的各种短期和长期遭遇中进行测试,我们的方法准确地处理非线性动力学,非高斯不确定性和不规则分布。 这个多功能框架通过提供复杂的动态环境中的精确碰撞概率估计,提高了空间态势感知。 此外,我们的方法适用于任何具有初始状态不确定性的动态系统,因此不限于碰撞概率估计。
已加载全部内容
