論文の概要: Neural network for determining an asteroid mineral composition from reflectance spectra

• arxiv url: http://arxiv.org/abs/2210.01006v1
• Date: Mon, 3 Oct 2022 15:14:05 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-04 18:12:58.845594
• Title: Neural network for determining an asteroid mineral composition from reflectance spectra
• Title（参考訳）: 反射スペクトルから小惑星鉱物組成を決定するニューラルネットワーク
• Authors: David Korda, Antti Penttil\"a, Arto Klami, Tom\'a\v{s} Kohout
• Abstract要約: 小惑星の化学組成と鉱物組成は、太陽系の形成と歴史を反映している。 本研究の目的は, 可視・近赤外スペクトルからケイ酸塩材料の鉱物・化学組成を抽出する, 高速で堅牢なニューラルネットワークベースの手法を開発することである。
• 参考スコア（独自算出の注目度）: 4.282159812965446
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chemical and mineral compositions of asteroids reflect the formation and history of our Solar System. This knowledge is also important for planetary defence and in-space resource utilisation. We aim to develop a fast and robust neural-network-based method for deriving the mineral modal and chemical compositions of silicate materials from their visible and near-infrared spectra. The method should be able to process raw spectra without significant pre-processing. We designed a convolutional neural network with two hidden layers for the analysis of the spectra, and trained it using labelled reflectance spectra. For the training, we used a dataset that consisted of reflectance spectra of real silicate samples stored in the RELAB and C-Tape databases, namely olivine, orthopyroxene, clinopyroxene, their mixtures, and olivine-pyroxene-rich meteorites. We used the model on two datasets. First, we evaluated the model reliability on a test dataset where we compared the model classification with known compositional reference values. The individual classification results are mostly within 10 percentage-point intervals around the correct values. Second, we classified the reflectance spectra of S-complex (Q-type and V-type, also including A-type) asteroids with known Bus-DeMeo taxonomy classes. The predicted mineral chemical composition of S-type and Q-type asteroids agree with the chemical composition of ordinary chondrites. The modal abundances of V-type and A-type asteroids show a dominant contribution of orthopyroxene and olivine, respectively. Additionally, our predictions of the mineral modal composition of S-type and Q-type asteroids show an apparent depletion of olivine related to the attenuation of its diagnostic absorptions with space weathering. This trend is consistent with previous results of the slower pyroxene response to space weathering relative to olivine.
• Abstract（参考訳）: 小惑星の化学組成と鉱物組成は太陽系の形成と歴史を反映している。 この知識は惑星防衛や宇宙資源利用にも重要である。 本研究では,可視・近赤外スペクトルからケイ酸塩物質の鉱物様相および化学組成を導出するための高速でロバストなニューラルネットワークベース手法の開発を目指している。 この方法は、重要な前処理なしで生のスペクトルを処理できるべきである。 スペクトル解析のための2つの隠れ層を持つ畳み込みニューラルネットワークを設計し,ラベル付き反射スペクトルを用いて学習した。 トレーニングには,RELABおよびC-Tapeデータベースに格納された実際のケイ酸塩試料,すなわちオリビン,オルソピロキセン,クリノピロキセン,それらの混合物,およびオリビン-ピロキセン豊富な隕石の反射スペクトルを用いた。 私たちはこのモデルを2つのデータセットで使用しました。 まず,モデル分類と既知の構成参照値を比較したテストデータセットにおけるモデルの信頼性を評価した。 個々の分類結果は、ほとんどが正しい値の周りで10パーセンテージの間隔内である。 第2に,sコンプレックス(q型およびv型,a型を含む)小惑星の反射スペクトルをバスデメオ分類群で分類した。 S型およびQ型小惑星の鉱物化学組成は、通常のコンドライトの化学組成と一致する。 V型小惑星とA型小惑星は、それぞれオルソピロキセンとオリビンの主成分である。 さらに,S型およびQ型小惑星の鉱物組成の予測では,宇宙風化に伴う診断吸収の減衰に伴うオリビンの減少が明らかである。 この傾向は、オリビンに対する宇宙風化反応の遅いピロキセン反応の以前の結果と一致している。

関連論文リスト

• Unsupervised Machine Learning for the Classification of Astrophysical X-ray Sources [44.99833362998488]
  我々は、Chandra Source Catalogソースに確率的クラスを提供するための教師なし機械学習アプローチを開発した。 約14,507個の検出結果を含む8,756個の情報源を対象とした確率クラスのカタログを提供する。 分類対象物の特徴分布と確立された天体物理仮説との整合性について検討した。
  論文  参考訳（メタデータ） (2024-01-22T18:42:31Z)
• Taxonomic analysis of asteroids with artificial neural networks [7.274273862904249]
  近いうちに、中国宇宙望遠鏡(CSST)は、25マグと23マグよりも明るい大きさの小惑星に対して、複数の色と分光データを提供する予定である。 人工ニューラルネットワーク(ANN)を用いて小惑星分類の予備分類モデルを構築する。 SMASS IIスペクトルとBus-Binzel分類システムを用いて、5つのANNからなるANN分類ツールを構築した。
  論文  参考訳（メタデータ） (2023-11-18T03:27:26Z)
• Rapid detection of soil carbonates by means of NIR spectroscopy, deep learning methods and phase quantification by powder Xray diffraction [0.0]
  FT NIR分光法と深層学習法を用いて土壌中の炭酸塩濃度を迅速かつ効率的に予測する方法を提案する。 1)回帰器、2)CNNなど複数の機械学習手法を利用して、それらの性能を従来のMLアルゴリズムと比較した。
  論文  参考訳（メタデータ） (2023-07-23T14:32:07Z)
• Deep Learning Models of the Discrete Component of the Galactic Interstellar Gamma-Ray Emission [61.26321023273399]
  H2星間ガス中の小さな(あるいは離散的な)構造からの重要な点状成分がフェルミ・LATデータに存在する可能性がある。 深層学習は、これらの稀なH2プロキシによって追跡されるガンマ線放射を、データ豊富な領域において統計的に有意な範囲でモデル化するために効果的に利用される可能性がある。
  論文  参考訳（メタデータ） (2022-06-06T18:00:07Z)
• Tracking perovskite crystallization via deep learning-based feature detection on 2D X-ray scattering data [137.47124933818066]
  本稿では,より高速なR-CNN深層学習アーキテクチャに基づくX線回折画像の自動解析パイプラインを提案する。 有機-無機ペロブスカイト構造の結晶化をリアルタイムに追跡し, 2つの応用で検証した。
  論文  参考訳（メタデータ） (2022-02-22T15:39:00Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• Analytical Modelling of Exoplanet Transit Specroscopy with Dimensional Analysis and Symbolic Regression [68.8204255655161]
  ディープラーニング革命は、そのような分析結果を直接、データに適合するコンピュータアルゴリズムで導き出すための扉を開いた。 我々は、一般的なホットジュピター系外惑星の遷移半径の合成データにおける記号回帰の利用をうまく実証した。 前処理のステップとして,変数の無次元な組み合わせを特定するために次元解析を用いる。
  論文  参考訳（メタデータ） (2021-12-22T00:52:56Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• Measuring chemical likeness of stars with RSCA [0.0]
  我々は、スペクトルのみから化学的に類似した恒星を同定できる新しいデータ駆動モデルを提案する。 我々の表現は、恒星の存在量測定よりも、既知の恒星の兄弟を効果的に識別する。
  論文  参考訳（メタデータ） (2021-10-05T18:03:59Z)
• Disentangled Representation Learning for Astronomical Chemical Tagging [0.0]
  本稿では、他のパラメータから恒星スペクトルの変動の化学因子を分離する方法を提案する。 これにより、これらのパラメータを取り除き、各恒星のスペクトル投影を構築することができる。 本研究は,データ駆動アビダンスフリーケミカルタギングの実現可能性を示す。
  論文  参考訳（メタデータ） (2021-03-10T22:55:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。