一种用于天体化学研究的统计与机器学习方法
星系天体物理
2023-06-12 v1
摘要
为了很好地理解天体化学，关键在于更好地理解支配颗粒表面化学的关键参数。对于许多化学网络，这些关键参数是各物种的结合能。然而，文献中这些数值存在很大分歧。本工作中，采用贝叶斯推断方法来估计这些数值。研究发现，在缺乏足够数据的情况下很难做到这一点。随后使用大规模优化参数估计与数据(MOPED)压缩算法来帮助确定应优先在未来探测哪些物种，以更好地约束结合能的值。最后，采用可解释的机器学习方法来更好地理解结合能与特定感兴趣物种的最终丰度之间的非线性关系。
引用
@article{arxiv.2306.05790,
title = {A statistical and machine learning approach to the study of astrochemistry},
author = {Johannes Heyl and Serena Viti and Gijs Vermariën},
journal= {arXiv preprint arXiv:2306.05790},
year = {2023}
}
备注
Accepted for publication in Faraday Discussions 2023. 14 pages, 7 figures and 1 table