Asteroids co-orbital motion classification based on Machine Learning

要約

この研究では、機械学習を使用して、特定の惑星と共軌道運動する小惑星を分類する方法を探ります。
惑星との平均運動共鳴における 4 つの異なる種類の運動、名目上オタマジャクシ、ホースシュー、準衛星を考慮し、Real (JPL Horizo​​ns システムから実際の小惑星の暦を取得)、Ideal および Perturbed (両方ともシミュレートされたもの) として定義される 3 つのデータセットを構築します。
、異なる条件で機械学習アルゴリズムをトレーニングおよびテストするために、2 つの異なる動的システムを考慮して初期条件を伝播することによって取得されます。
変数シータ (共振に関連する角度) の時系列は、問題に合わせてアドホックに定義されたデータ分析パイプラインで調査され、データ作成とアノテーション、tsfresh パッケージによる時系列特徴抽出 (選択が続く可能性があります) によって構成されます。
標準化）、および次元削減と分類のための機械学習アルゴリズムの適用。
このようなアプローチでは、時系列から抽出された特徴に基づいて、深層学習アルゴリズムに関して少数のデータを扱うことが可能になり、特徴の重要性のランキングを定義することもできます。
特徴の物理的な解釈可能性は、このアプローチのもう 1 つの重要なポイントです。
さらに、説明可能性のための SHapley Additive exPlanations テクニックを紹介します。
私たちのアプローチの能力と限界を理解するために、さまざまなトレーニングとテストのセットが使用されます。
結果は、アルゴリズムがどのように高いパフォーマンスで時系列を正確に識別して分類できるかを示しています。

要約(オリジナル)

In this work, we explore how to classify asteroids in co-orbital motion with a given planet using Machine Learning. We consider four different kinds of motion in mean motion resonance with the planet, nominally Tadpole, Horseshoe and Quasi-satellite, building 3 datasets defined as Real (taking the ephemerides of real asteroids from the JPL Horizons system), Ideal and Perturbed (both simulated, obtained by propagating initial conditions considering two different dynamical systems) for training and testing the Machine Learning algorithms in different conditions. The time series of the variable theta (angle related to the resonance) are studied with a data analysis pipeline defined ad hoc for the problem and composed by: data creation and annotation, time series features extraction thanks to the tsfresh package (potentially followed by selection and standardization) and the application of Machine Learning algorithms for Dimensionality Reduction and Classification. Such approach, based on features extracted from the time series, allows to work with a smaller number of data with respect to Deep Learning algorithms, also allowing to define a ranking of the importance of the features. Physical Interpretability of the features is another key point of this approach. In addition, we introduce the SHapley Additive exPlanations for Explainability technique. Different training and test sets are used, in order to understand the power and the limits of our approach. The results show how the algorithms are able to identify and classify correctly the time series, with a high degree of performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google