从原行星盘观测到的缝隙推断行星质量的机器学习模型

对明亮原行星盘的观测常显示其尘埃辐射中的环状缝隙。对这些缝隙的一种解释是盘-行星相互作用。若是如此，将行星缝隙模型拟合到观测到的原行星盘缝隙可揭示隐藏行星的存在。然而，未来的巡天预计会产生数量不断增长的带缝隙原行星盘。在这种情况下，由于盘-行星相互作用的复杂性，对每个目标进行定制拟合变得不切实际。为此，我们利用机器学习的力量引入了 DPNNet（盘行星神经网络），一种高效的行星缝隙模型。我们用大量尘埃盘-行星流体动力学模拟训练一个深度神经网络，涵盖一系列行星质量、盘温度、盘粘度、盘表面密度轮廓、粒子斯托克斯数和尘埃丰度。该网络随后可被部署以针对给定缝隙形态提取行星质量。在这项系列工作的第一篇中，我们聚焦于机器学习框架的基本概念。我们将其应用于 HL Tau 周围原行星盘中 $10$ au、$30$ au 和 $80$ au 处观测到的尘埃缝隙，展示了其实用性。我们的网络分别预测行星质量为 $80 \, M_{\rm Earth}$、$63 \, M_{\rm Earth}$ 和 $70 \, M_{\rm Earth}$，与其他基于专门模拟的研究相当。我们讨论了我们的 DPNNet 的关键优势：可灵活纳入新物理、任意数量的参数和预测，以及其最终替代流体动力学模拟以服务盘观测者和建模者的潜力。