文献

J-GLOBAL ID：202202277986041179   整理番号：22A1054519

地球と月の重力場モデリングに対する物理学情報ニューラルネットワーク【JST・京大機械翻訳】

Physics-informed neural networks for gravity field modeling of the Earth and Moon

著者 (2件)： Martin John (Ann and H. J. Smead Department of Aerospace Engineering Sciences, University of Colorado Boulder, Boulder, CO, USA) ,  Schaub Hanspeter (Ann and H. J. Smead Department of Aerospace Engineering Sciences, University of Colorado Boulder, Boulder, CO, USA)
資料名： Celestial Mechanics & Dynamical Astronomy  (Celestial Mechanics & Dynamical Astronomy)
巻： 134  号： 2  ページ： 13  発行年： 2022年 
JST資料番号： D0722A  ISSN： 0923-2958  CODEN： CLMCAV  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 重力場の高忠実度表現は宇宙力学におけるすべての応用の基礎となる。伝統的に,これらの重力モデルは,球面調和,マスコン,または多面体で表されるポテンシャル関数を通して解析的に構築される。このような表現は理論にとってしばしば便利であるが,それらは応用においてユニークな欠点を持つ。広く言えば,解析的重力モデルは,しばしばコンパクトではなく,環境における高次特徴を適切にモデル化するために,数千または百万のパラメータを必要とする。いくつかの場合において,これらの解析モデルは,また,物体の表面近くで,あるいは,その質量分布または密度プロファイルに関する仮定を必要とする,操作的に制限できる。さらに,これらの表現は回帰に高価であり,大量の注意深く分布したデータを必要とし,新しい環境において容易に利用できない。これらの課題と戦うために,本論文では,純粋に解析的定式化から離れて,機械学習表現に向けて重力場モデリングの議論をシフトさせることを目指した。過去10年以内に,既存の解析的重力モデルに固有の限界のいくつかを迂回するのを助ける深層学習の分野で大きな進歩があった。特に,本論文は,2つの惑星体,地球と月の重力ポテンシャルを表すために,物理情報ニューラルネットワーク(PINN)の使用を研究した。PINNは,これらの複雑な環境を表現するのに一意的に適した新しい基底関数を学習するために,深い学習モデルの柔軟性を数世紀の解析的洞察と組み合わせる。その結果,PINN重力モデルにより生成された学習基底関数系は,モデルコンパクト性と計算効率において,その解析的対応物を超える利点を提供できることを示した。Copyright The Author(s), under exclusive licence to Springer Nature B.V. 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *重力場 ,  惑星 ,  学習 ,  *地球 ,  *ニューラルネットワーク ,  重力ポテンシャル ,  *モデリング ,  宇宙空間 ,  定式化 ,  重力モデル ,  機械学習 ,  解析モデル ,  基底関数
準シソーラス用語： 計算効率 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 重力場モデリング ,  機械学習 ,  物理学情報ニューラルネットワーク ,  球面調和関数 ,  惑星体 ,  天体力学

分類 (1件)： 測地学  (DC02000X)

タイトルに関連する用語 (6件)： 地球 ,  月 ,  重力場 ,  モデリング ,  物理学 ,  ニューラルネットワーク