MasconCube: 明示表現による高速かつ高精度な重力モデル化

非規則形状の小惑星の地質学は、重力場モデル化において根本的な課題を呈しており、特に深宇宙探査ミッションが小惑星や彗星を標的にするようになるにつけ、その重要性が増しています。従来のアプローチには重要な限界が存在します：球調和関数は通常、宇宙船が動作するブリユアン球体内で発散し、多角形モデルは不现实な均質な密度分布を仮定し、既存の機械学習手法（GeodesyNets や Physics-Informed Neural Networks (PINN-GM) など）は膨大な計算資源とトレーニング時間を要します。本研究では、MasconCubes と呼ばれる新しい自己教師あり学習アプローチを導入します。これは、重力反演を点質量（マスコン）の規則正しい 3D グリッドに対する直接的な最適化問題として形式化するものです。明示的ニューラル表現とは対照的に、MasconCubes は質量分布を明示的にモデル化しつつ、既知の小惑星形状情報を活用して解の空間を制約します。Bennu、Eros、Itokawa、および合成惑星小天体を含む多様な小惑星モデルにおける包括的な評価において、MasconCubes が複数の指標で優越した性能を示すことが示されました。特に、MasconCubes は明示的な質量分布を通じて物理的な解釈可能性を保ちつつ、GeodesyNets と比較して約 40 倍短いトレーニング時間でトレーニングが可能であることを示しました。これらの結果は、MasconCubes を、非規則天体の内部質量分布に対する物理的知見、高速化された計算効率、そして高精度さを要するミッション批判的な重力モデル化アプリケーションに対して有望なアプローチであることを確立しています。

arXiv:2509.08607v3 Announce Type: replace-cross 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.