論文の概要: Deep operator neural network applied to efficient computation of asteroid surface temperature and the Yarkovsky effect

• arxiv url: http://arxiv.org/abs/2411.02653v1
• Date: Mon, 04 Nov 2024 22:38:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-06 14:58:11.607643
• Title: Deep operator neural network applied to efficient computation of asteroid surface temperature and the Yarkovsky effect
• Title（参考訳）: 深部演算子ニューラルネットワークによる小惑星表面温度の効率的な計算とヤルコフスキー効果
• Authors: Shunjing Zhao, Hanlun Lei, Xian Shi,
• Abstract要約: ディープオペレータニューラルネットワーク(DeepONet)は、小惑星の表面温度をモデル化するための強力なツールを提供する。 DeepONetは平均で1%の精度で温度を予測でき、計算コストは5桁以下である。 予備的な応用として、即時ヤルコフスキー効果を組み込んだ直接N体シミュレーションにより小惑星の軌道進化を解析した。
• 参考スコア（独自算出の注目度）: 0.7373617024876725
• License:
• Abstract: Surface temperature distribution is crucial for thermal property-based studies about irregular asteroids in our Solar System. While direct numerical simulations could model surface temperatures with high fidelity, they often take a significant amount of computational time, especially for problems where temperature distributions are required to be repeatedly calculated. To this end, deep operator neural network (DeepONet) provides a powerful tool due to its high computational efficiency and generalization ability. In this work, we applied DeepONet to the modelling of asteroid surface temperatures. Results show that the trained network is able to predict temperature with an accuracy of ~1% on average, while the computational cost is five orders of magnitude lower, hence enabling thermal property analysis in a multidimensional parameter space. As a preliminary application, we analyzed the orbital evolution of asteroids through direct N-body simulations embedded with instantaneous Yarkovsky effect inferred by DeepONet-based thermophysical modelling.Taking asteroids (3200) Phaethon and (89433) 2001 WM41 as examples, we show the efficacy and efficiency of our AI-based approach.
• Abstract（参考訳）: 表面温度分布は、太陽系内の不規則小惑星に関する熱特性に基づく研究に不可欠である。 直接数値シミュレーションは、表面温度を高忠実度でモデル化することができるが、特に温度分布を繰り返す必要がある問題に対して、計算にかなりの時間を要することが多い。 この目的のために、ディープオペレータニューラルネットワーク(DeepONet)は、高い計算効率と一般化能力のために強力なツールを提供する。 本研究では,小惑星表面温度のモデル化にDeepONetを適用した。 その結果、トレーニングされたネットワークは平均で約1%の精度で温度を予測でき、計算コストは桁違いに小さくなり、多次元パラメータ空間における熱特性解析が可能となった。 予備的な応用として、DeepONetをベースとした熱物理モデリングにより推定された瞬間的ヤルコフスキー効果を組み込んだ直接N体シミュレーションを用いて小惑星の軌道進化を解析し、Phaethon (3200) と (89433) 2001 WM41を例に挙げ、AIベースのアプローチの有効性と効率を示す。

関連論文リスト

• Gridded Transformer Neural Processes for Large Unstructured Spatio-Temporal Data [47.14384085714576]
  本稿では,非構造化観測を行うための格子状擬似トークンPと,効率的な注意機構を利用する格子状擬似トークンを含むプロセッサを紹介する。 提案手法は,大規模データを含む様々な合成および実世界の回帰タスクにおいて,強いベースラインを一貫して上回る。 実生活実験は気象データに基づいて行われ、気象モデルパイプラインで大規模に適用した場合の性能と計算上の利点をもたらすアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2024-10-09T10:00:56Z)
• Weather Prediction Using CNN-LSTM for Time Series Analysis: A Case Study on Delhi Temperature Data [0.0]
  本研究では,デリー地域の温度予測精度を高めるために,ハイブリッドCNN-LSTMモデルを提案する。 モデルの構築とトレーニングには,包括的データ前処理や探索分析など,直接的および間接的手法を併用した。 実験結果から,CNN-LSTMモデルが従来の予測手法よりも精度と安定性の両面で優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-09-14T11:06:07Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• Geometry-Informed Neural Operator for Large-Scale 3D PDEs [76.06115572844882]
  大規模偏微分方程式の解演算子を学習するために,幾何インフォームド・ニューラル演算子(GINO)を提案する。 我々はGINOを訓練し、わずか500点のデータポイントで車両表面の圧力を予測することに成功した。
  論文  参考訳（メタデータ） (2023-09-01T16:59:21Z)
• Climate Intervention Analysis using AI Model Guided by Statistical Physics Principles [6.824166358727082]
  変動散逸理論(FDT)として知られる統計物理学の原理を応用した新しい解法を提案する。 利用することで,地球系モデルによって生成された大規模なデータセットに符号化された情報を抽出することができる。 我々のモデルであるAiBEDOは、地球および地域表面の気候に対する放射摂動の複雑なマルチタイム効果を捉えることができる。
  論文  参考訳（メタデータ） (2023-02-07T05:09:10Z)
• Reduced Order Probabilistic Emulation for Physics-Based Thermosphere Models [0.0]
  本研究は,TIE-GCM(Thermosphere Ionosphere Electrodynamics Circulation General Model)のための効率的なサロゲートを作成するために,確率論的機械学習(ML)手法を採用することを目的とする。 利用可能なデータ全体で、TIE-GCM ROPEは従来の線形手法と同様の誤差を示しながら、嵐時モデリングを改善した。 また,TIE-GCM ROPEは,TIE-GCM密度から得られる位置を5kmの偏りで捉えることができることを示す。
  論文  参考訳（メタデータ） (2022-11-08T17:36:37Z)
• MAgNet: Mesh Agnostic Neural PDE Solver [68.8204255655161]
  気候予測は、流体シミュレーションにおける全ての乱流スケールを解決するために、微細な時間分解能を必要とする。 現在の数値モデル解法 PDEs on grids that too coarse (3km～200km on each side) 本研究では,空間的位置問合せが与えられたPDEの空間的連続解を予測する新しいアーキテクチャを設計する。
  論文  参考訳（メタデータ） (2022-10-11T14:52:20Z)
• A physics and data co-driven surrogate modeling approach for temperature field prediction on irregular geometric domain [12.264200001067797]
  本研究では, 温度場予測のための新しい物理・データ共駆動サロゲートモデリング法を提案する。 数値計算により,本手法はより小さなデータセット上での精度予測を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2022-03-15T08:43:24Z)
• Probabilistic modeling of lake surface water temperature using a Bayesian spatio-temporal graph convolutional neural network [55.41644538483948]
  本研究では,湖沼の温度をある程度の深さでシミュレーションし,気象学的特徴と合わせて評価することを提案する。 本研究は,提案モデルが湖沼表面全体に均質に優れた性能をもたらすことを示す。 結果は、最先端のベイズ深層学習法と比較される。
  論文  参考訳（メタデータ） (2021-09-27T09:19:53Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Statistical Downscaling of Temperature Distributions from the Synoptic Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
  有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。 本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。 代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
  論文  参考訳（メタデータ） (2020-07-20T06:24:08Z)

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。