The Physics-Informed Neural Network Gravity Model: Generation III

要約

科学的機械学習と物理情報に基づいたニューラル ネットワーク (PINN) の出現により、複雑な微分方程式を解く能力に高い可能性が示されました。
1 つの例は、PINN を使用して重力場モデリング問題を解決すること、つまり位置と加速度データから重力ポテンシャルの便利な表現を学習することです。
これらの PINN 重力モデル (PINN-GM) は、一般的な代替モデルと比較した場合、モデルのコンパクトさ、ノイズに対する堅牢性、サンプル効率の点で利点があることが実証されています。
しかし、さらなる調査により、この原稿が扱うことを目的とするこれらおよび他の機械学習重力モデルのさまざまな故障モードが明らかになりました。
具体的には、この論文では、特徴の発散、低高度サンプルへの偏り、数値の不安定性、および外挿誤差の問題を解決する設計変更を含む、第 3 世代の物理情報に基づくニューラル ネットワーク重力モデル (PINN-GM-III) を紹介します。
これらの過去の落とし穴を明らかにし、それらに対する PINN-GM-III の堅牢性を示すために、6 つの評価指標が提案されています。
この研究は、不均一密度小惑星の PINN-GM-III モデリング精度を評価し、そのパフォーマンスを他の解析および機械学習重力モデルと比較することで終了します。

要約(オリジナル)

Scientific machine learning and the advent of the Physics-Informed Neural Network (PINN) have shown high potential in their ability to solve complex differential equations. One example is the use of PINNs to solve the gravity field modeling problem — learning convenient representations of the gravitational potential from position and acceleration data. These PINN gravity models, or PINN-GMs, have demonstrated advantages in model compactness, robustness to noise, and sample efficiency when compared to popular alternatives; however, further investigation has revealed various failure modes for these and other machine learning gravity models which this manuscript aims to address. Specifically, this paper introduces the third generation Physics-Informed Neural Network Gravity Model (PINN-GM-III) which includes design changes that solve the problems of feature divergence, bias towards low-altitude samples, numerical instability, and extrapolation error. Six evaluation metrics are proposed to expose these past pitfalls and illustrate the PINN-GM-III’s robustness to them. This study concludes by evaluating the PINN-GM-III modeling accuracy on a heterogeneous density asteroid, and comparing its performance to other analytic and machine learning gravity models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google