2025年10月，AGU旗下地学领域顶尖SCI期刊Journal of Geophysical Research系列的《地球物理学研究杂志：机器学习与计算》（Journal of Geophysical Research: Machine Learning and Computation，JGR: MLC）刊载了宇航学院研究团队在小行星内部结构构建领域的最新研究成果：“A Flight-Information-Perceived Approach to Parameter Determination of Giant Asteroids: Revisiting Dawn Mission”（基于飞行信息感知的巨型小行星参数确定方法：重温黎明号任务）。该成果面向深空任务中小行星内部结构难以实时获取的技术瓶颈，提出以一种训练效率极高的可逆神经网络（INN）作为基础框架，利用飞行轨迹直接反演天体内部参数的全新思路。此研究从观测数据、优化算法和误差处理等方面对传统方法提出了挑战，以采用经典方法的“黎明号”任务为例进行了回顾，并被证明能够显著加速深空任务中航天器的自主实时制导与控制。

论文页面

JGR: MLC封面

《JGR》创办于1896年，是美国地球物理联合会的旗舰期刊。作为国际地球物理学界论文质量最高、覆盖领域最广的学术期刊之一，其内容涉及太阳系天体物理、地球表面演变、空间等离子体等研究方向。该期刊已被GEOBASE、GeoRef、Scopus、PubMed、Web of Science以及多个CSA索引收录。《JCR: MLC》系该期刊旗下近年新近创刊的旗舰刊物，聚焦机器学习与地球与行星科学的交叉创新，致力于发表基于统计分析、机器学习、人工智能和数学模型的创新数据驱动和计算方法的研究。

研究构建的INN基本架构及训练过程

灶神星和谷神星基于此研究的构建结果

此方法基于飞行信息感知得到的结果

与黎明号团队基于重力场反演所得结果进行的比较

传统方法必须依赖大量测距、测速及光学成像数据建立完整的重力场模型，并在任务后期通过地面反演计算逐步推断出包括地壳、地幔、地核在内的层状结构；而该工作首次将可逆神经网络引入小天体结构推断过程，通过在任务前利用先验物理参数生成飞行状态数据集，使神经网络同时学习内部结构与轨道演化之间的双向映射关系。训练完成后，该模型能够在存在导航噪声的情况下，仅依靠航天器短时间的飞行状态，即刻给出小行星内部密度分层、核心尺寸和地壳厚度等关键结构参数，并在谷神星与灶神星的真实飞行数据验证中，与传统重力场反演所得的质量分布、扁率系数及重力异乎现象高度一致，从而展示出在未来深空自主探测中实现实时环境感知的潜力。

该论文的第一作者和通讯作者为宇航学院博士生导师梁玉莹教授，此项研究工作得到了北京市自然科学基金和太湖创新基金等项目的经费支持。