論文の概要: MasconCube: Fast and Accurate Gravity Modeling with an Explicit Representation

• arxiv url: http://arxiv.org/abs/2509.08607v2
• Date: Thu, 11 Sep 2025 08:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 11:47:11.903429
• Title: MasconCube: Fast and Accurate Gravity Modeling with an Explicit Representation
• Title（参考訳）: MasconCube: 明示的表現による高速かつ正確な重力モデリング
• Authors: Pietro Fanti, Dario Izzo,
• Abstract要約: 本研究はMasconCubesを導入する。MasconCubesは、新しい自己教師型学習手法で、点質量の通常の3次元グリッド(Mascons)上での直接最適化問題として重力反転を定式化する。 MasconCubesは、既知の小惑星の形状情報を利用して解空間を制約しながら、質量分布を明示的にモデル化する。 これらの結果により、MasconCubesは、不規則天体の内部質量分布に関する高精度、計算効率、物理的洞察を必要とするミッションクリティカルな重力モデリング応用のための有望なアプローチとして確立される。
• 参考スコア（独自算出の注目度）: 3.496860143624037
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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 Neural Networks (PINN-GM) require extensive computational resources and training time. This work introduces MasconCubes, a novel self-supervised learning approach that formulates gravity inversion as a direct optimization problem over a regular 3D grid of point masses (mascons). Unlike implicit neural representations, MasconCubes explicitly model mass distributions while leveraging known asteroid shape information to constrain the solution space. Comprehensive evaluation on diverse asteroid models including Bennu, Eros, Itokawa, and synthetic planetesimals demonstrates that MasconCubes achieve superior performance across multiple metrics. Most notably, MasconCubes demonstrate computational efficiency advantages with training times approximately 40 times faster than GeodesyNets while maintaining physical interpretability through explicit mass distributions. These results establish MasconCubes as a promising approach for mission-critical gravitational modeling applications requiring high accuracy, computational efficiency, and physical insight into internal mass distributions of irregular celestial bodies.
• Abstract（参考訳）: 不規則な形をした小さな天体の測地は、特に深宇宙探査ミッションが小惑星や彗星を標的にしているため、重力場モデリングの基本的な課題を示す。 球面調和は、宇宙船が通常運用されるブリルアン圏内で分岐し、多面体モデルは非現実的な均質密度分布を仮定し、GeodesyNetsやPhysical-Informed Neural Networks (PINN-GM)のような既存の機械学習手法は、膨大な計算資源と訓練時間を必要とする。 この研究はMasconCubesという新しい自己教師型学習手法を導入し、通常の3次元の点質量(Mascons)の格子上の直接最適化問題として重力反転を定式化する。 暗黙の神経表現とは異なり、MasconCubesは既知の小惑星の形状情報を利用して解空間を制約しながら、質量分布を明示的にモデル化する。 ベンヌ、エロス、伊藤川、合成惑星等多様な小惑星モデルに関する総合的な評価は、マスコンキューブが複数の指標で優れた性能を発揮することを示す。 中でもMasconCubesは、GeodesyNetsの約40倍の速さで計算効率の利点を示しながら、明示的な質量分布による物理的解釈性を維持している。 これらの結果により、MasconCubesは、不規則天体の内部質量分布に関する高精度、計算効率、物理的洞察を必要とするミッションクリティカルな重力モデリング応用のための有望なアプローチとして確立される。

関連論文リスト

• Score Matching on Large Geometric Graphs for Cosmology Generation [14.637236070358588]
  宇宙論における銀河の重力クラスタリングをシミュレートする等変グラフニューラルネットワークを用いたスコアベース生成モデルを提案する。 提案した同変スコアベースモデルでは,60,000halosまでの本格的な宇宙論的な点雲の生成に成功した。 この研究は、構造形成の基盤となる重力クラスターと密接に類似するように設計された生成モデルを導入することで進展する。
  論文  参考訳（メタデータ） (2025-08-23T11:08:06Z)
• Conditional Diffusion-Flow models for generating 3D cosmic density fields: applications to f(R) cosmologies [0.0]
  次世代の銀河探査は、宇宙スケールでの重力のテストにおいて前例のない精度を約束する。 本研究では,3次元暗黒物質密度場を生成するための条件生成モデルについて,スコアベース(拡散)およびフローベース手法を用いて検討する。
  論文  参考訳（メタデータ） (2025-02-24T12:06:23Z)
• Grid-based exoplanet atmospheric mass loss predictions through neural network [0.0]
  我々は、機械学習(ML)を用いて、上層大気モデルの既存の大きなグリッドを高速に観察する。 ニューラルネットワークを用いたDense MLスキーム("atmospheric Inquiry frameworK"; MLink)を開発した。 我々は、慎重に選択された合成惑星の小さなサンプルの進化に異なるスキームが与える影響について研究する。
  論文  参考訳（メタデータ） (2025-02-03T16:46:12Z)
• Conservation-informed Graph Learning for Spatiotemporal Dynamics Prediction [84.26340606752763]
  本稿では,保護インフォームドGNN(CiGNN)について紹介する。 このネットワークは、保守的かつ非保守的な情報が、潜時的行進戦略によって多次元空間を通過する対称性による一般的な対称性保存則に従うように設計されている。 結果は,CiGNNが顕著なベースライン精度と一般化性を示し,様々な時間的ダイナミクスの予測のための学習に容易に適用可能であることを示した。
  論文  参考訳（メタデータ） (2024-12-30T13:55:59Z)
• Pixelated Reconstruction of Foreground Density and Background Surface Brightness in Gravitational Lensing Systems using Recurrent Inference Machines [116.33694183176617]
  我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。 従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
  論文  参考訳（メタデータ） (2023-01-10T19:00:12Z)
• Data-driven discovery of non-Newtonian astronomy via learning non-Euclidean Hamiltonian [23.309368900269565]
  非ニュートン天文学のデータ駆動による発見法を提案する。 予備的な結果は,これらの特性がトレーニングの安定性と予測精度において重要であることを示している。
  論文  参考訳（メタデータ） (2022-09-30T20:59:42Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Geodesy of irregular small bodies via neural density fields: geodesyNets [1.370633147306388]
  人工ニューラルネットワーク(GeodesyNets)に基づく新しいアプローチを提案する。 極めて不規則な天体の正確な測地モデルとして機能する能力を示す。 本研究では,10 1955 Bennu,67P Churyumov-Gerasimenko,433 Eros,25143 Itokawaの6種類の形状について検討した。
  論文  参考訳（メタデータ） (2021-05-27T09:56:12Z)

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。