近日，南京大学天文与空间科学学院（赵舜景，雷汉伦）与中国科学院上海天文台（史弦）合作取得了基于人工智能技术的小行星表面温度建模方面的重要进展。相关研究成果以“Deep operator neural network applied to efficient computation of
asteroid surface temperature and the Yarkovsky effect”为题，发表于国际天文学期刊《天文与天体物理》（Astronomy & Astrophysics）。
小行星表面温度建模是研究小行星性质和演化的重要技术方法。一方面，它可以与中红外观测数据结合用于反演小行星表面物理性质；另一方面，它是计算雅科夫斯基效应与YORP效应的基础，为分析小行星长期轨道演化提供关键信息，并直接关系到对近地小行星与地球的碰撞概率的精确预测。
传统的小行星表面温度建模基于一维热传导方程的求解，通常采用差分法等数值方法实现，计算效率较低。
近年来，随着地/空基望远镜和深空探测技术的发展，小行星观测数据大量增加，传统方法显然已经无法有效满足我们对于大样本、高时空分辨率数据的分析需求，寻找一种可以高效模制小行星表面温度的方法也就显得至关重要。
本工作首次成功建立了基于人工智能技术DeepONet神经网络的小行星热物理模型。基于神经网络极高的计算效率与强大的泛化性能，进一步引入注意力机制训练获得具有普适性的表面温度生成模型。与传统数值方法相比，神经网络模型的计算精度优于1%（图1），而计算效率提高了近5个数量级（图2）。
对计算效率瓶颈的突破，使我们能够以超高时空分辨率仿真小行星表面温度，进而实现对雅可夫斯基效应等影响小行星长期动力学演化的相关物理过程的高精度建模。文章采用了雅科夫斯基效应加速度的参数空间扫描与实时雅科夫斯基效应下轨道演化作为算例，表明新模型在相关研究课题中均能表现出优秀的实用性。
该工作由小天体动力学领域资深科学家David Vokrouhlicky 实名审稿并给出积极评价，认为这一方法上的突破能为分析即将获得的大量小行星巡天数据提供重要帮助。
图 1 利用传统数值方法与DeepONet神经网络获得的小天体表面温度分布及比对
图 2 针对由N个面元构成的小行星形状模型，不同建模方法所需的时间对比
