近日，南方科技大學地球與空間科學系2019級本科生劉潤逸在空間塵埃碰撞識別研究中取得新發現，研究成果以第一作者身份在地球物理領域核心期刊《地球物理學報》上發表，該論文題為《基於深度學習的空間塵埃碰撞實時自動檢測》（Real-time automatic detection of signals triggered by space dust's impact based on deep learning），介紹了深度學習識別塵埃事件的最新研究成果。
星際空間中有無數尺寸微小的塵埃，一方面，這些塵埃是太空飛行器的重要潛在威脅，另一方面，星際塵埃本身在星系演化過程中扮演重要角色。當塵埃以km/s量級速度碰撞人造衛星時，20%的~40%動能被轉化成熱能，導致碰撞塵埃以及被碰撞的衛星表面物質的氣化，產生等離子體雲，後又因等離子云中正負電荷粒子的不同反應，使得人造衛星表面的電勢發生波動，最後緩慢恢復到碰撞前的狀態。因此根據電場天線之間或天線與飛船之間電勢差隨時間變化的信號，可以從中尋找塵埃碰撞事件。電勢波動過程如圖1 (Ye et al., 2019)所示。
圖1塵埃碰撞導致的太空飛行器充電電流演變（由於等離子體密度低和光電子發射較強，平衡太空飛行器電位略為正）
常見的塵埃碰撞識別方法是在對塵埃碰撞物理過程的更好模擬基礎上，去總結其對應電勢差信號的普遍特徵，再根據對應特徵去人工識別或基於塵埃碰撞引起的電勢差信號波形特徵的機器識別，雖有較高準確率但效率低下。急切需要對太空飛行器運行過程中收集的電勢差信號做自動化分析，實時識別塵埃碰撞事件。
本研究通過對用於圖像識別的卷積神經網絡VGGNet(Kim et al., 2016)的改造，構建出適合分類一維信號的卷積神經網絡，使用來自MAVEN(Mars Atmosphere and Volatile Evolution)太空飛行器上的載荷LPW(Langmuir Probe and Waves)2015年的電勢差數據，通過對連續電勢差數據的人工識別塵埃碰撞事件，定長分割作為獨立信號，示例信號見圖2。再以1：1比例選取塵埃碰撞信號與非塵埃碰撞信號，分為訓練集測試集驗證集，對信號做歸一化處理後，將訓練集放入模型訓練，驗證集用于衡量訓練過程效果，最終用模型對測試集的分類效果來代表模型的泛化性。
圖2部分電勢差信號示例圖（a1），（a5）塵埃碰撞事件在太空飛行器自身電勢約為0或略大於0的情況；（a2）-（a4）塵埃碰撞事件在太空飛行器自身電勢明顯為負，且環境等離子體密度從高到低的情況；（b1）-（b5）各種非塵埃碰撞事件。
結合模型在測試集識別的高準確率（98.68%）為代表的評價標準，塵埃碰撞事件識別時間（信號處理+模型對信號分類）遠小於信號採集時間，理論上實現對塵埃碰撞事件的實時檢測。
該論文的通訊作者是地球與空間科學系教授葉生毅，論文其他作者包括地球與空間科學系2021級博士生諸峰、2019級碩士生王健。南科大是論文第一單位。以上研究得到了國家自然科學基金面上項目和深圳市科創委穩定支持面上項目聯合資助。
論文連結：http://www.geophy.cn/article/doi/10.6038/cjg2022Q0331
供稿：地球與空間科學系
通訊員：黃惠婧
圖片來源：NASA官網
編輯：朱增光