百万颗小行星的轨道不再靠软约束硬撑：辛几何图神经ODE把位置误差压到1.8×10⁻⁴ AU
核心概要
针对大规模小行星群在观测中断期间轨道重建会漂移的问题，一种把辛几何结构写进网络的图神经ODE被提出：它不再用软惩罚项近似守恒律，而是让哈密顿量直接生成运动方程，并用行星影响球半径调节天体间的消息传递。在覆盖主带、木星特洛伊、近地小行星和半人马族的百万体模拟上，平均位置误差为1.8005×10⁻⁴ AU，能量漂移为8.42×10⁻⁵；在NASA JPL Horizons给出的99942 Apophis真实星历上，60天观测空白内平均位置误差为1.7983×10⁻⁴ AU。
深度剖析
小行星群在观测空白期内的轨道重建不再依赖软性守恒惩罚，而是由哈密顿量本身约束演化。 此前的物理信息神经网络和数据驱动神经ODE把守恒律写成损失函数中的软惩罚项，在观测覆盖之外会出现相位漂移、轨道虚假膨胀和能量耗散。 在覆盖主带、木星特洛伊L4/L5、近地小行星和半人马族共100万天体的模拟星群上，该方法平均位置误差为1.8005×10⁻⁴ AU，能量漂移为8.42×10⁻⁵，相空间体积耗散为3.31×10⁻⁷，对比对象包括软PINN、HNN-RK4、SympNet、EG-NODE和PINO-FNO等8种基线。
网络把多体引力中的解析部分直接写进前向计算，只让神经网络学习剩余的高阶扰动。 此前的做法让网络从数据中整体学习引力场，或把守恒律作为额外惩罚项加入训练目标。 总哈密顿量由动能、多体牛顿势和可学习残差势组成，残差势用SE(3)等变图神经网络参数化，边特征由相对位移、相对速度以及位移与影响球半径之比构成。
天体之间的消息传递强度由行星影响球半径自动调节，使局部束缚轨道与自由双曲飞掠在同一张图中被区分。 此前的图网络对所有天体对使用统一的边权重，无法区分行星附近的束缚状态与行星际空间的自由飞行。 路由权重由拉普拉斯影响球半径 R_SOI = a(m/M)^(2/5) 经sigmoid函数生成，木星的影响球半径约为0.354 AU，地球约为0.0062 AU；在木星影响球内权重趋近1，在行星际空间趋近0。
时间推进使用辛隐式中点格式，使能量漂移在任意积分区间内保持有界而不随时间累积。 显式四阶Runge-Kutta等非辛积分器会破坏相空间体积守恒，导致长期能量耗散。 隐式中点法属于辛Runge-Kutta族，能量漂移上界为 O(Δt²)；在百万体批量上，该方法在普通工作站GPU上以1.48秒完成一次评估，显存占用2.4 GB。
启示与展望
该方法在重心惯性参考系下处理受多体引力、1PN史瓦西进动和太阳辐射压作用的小天体轨道，验证场景包括覆盖四个轨道族的百万体合成星群，以及NASA JPL Horizons给出的99942 Apophis在2029年1月1日至7月1日期间的星历。适合从事轨道确定、行星防御和科学机器学习的研究人员与工程师阅读。后续工作将扩展到Yarkovsky热反冲加速度和2PN后牛顿展开。
合成星群中的观测退化由连续35%的空白、30%随机丢失和σ=1.5×10⁻³ AU的高斯噪声构成，Apophis算例使用连续60天空白，占弧段的33.0%。木星特洛伊和半人马族的最大误差为7.8764×10⁻⁴ AU，高于主带和近地小行星，归因于木星影响球内较强的非线性多体相互作用。