用于系外行星大气反演的贝叶斯神经网络集成
地球与行星天体物理
2019-07-10 v1 机器学习
摘要
机器学习现已用于天体物理学的许多领域，从在开普勒凌星信号中探测系外行星到去除望远镜系统误差。近期的工作通过实现随机森林在数秒内完成反演，且与传统的、计算代价高昂的嵌套采样反演方法一致，展示了使用机器学习算法进行大气反演的潜力。我们在他们的方法基础上提出一种新的机器学习模型 \texttt{plan-net}，它基于贝叶斯神经网络集成，对于同一合成透射光谱数据集比随机森林给出更精确的推断。我们证明集成相比单一模型具有更高的精度和更稳健的不确定性。除了首次将贝叶斯神经网络用于大气反演外，我们还引入了贝叶斯神经网络的一种新损失函数，可学习模型输出间的相关性。重要的是，我们表明将领域特定知识显式地融入机器学习模型的设计，既能提升性能，又能通过推断所反演大气参数的协方差提供额外见解。我们将 \texttt{plan-net} 应用于 WASP-12b 的哈勃空间望远镜宽场相机 3 透射光谱，反演出与文献一致的等温温度和水丰度。我们强调我们的方法具有灵活性，可扩展到更高分辨率光谱和更多大气参数。
引用
@article{arxiv.1905.10659,
title = {An Ensemble of Bayesian Neural Networks for Exoplanetary Atmospheric Retrieval},
author = {Adam D. Cobb and Michael D. Himes and Frank Soboczenski and Simone Zorzan and Molly D. O'Beirne and Atılım Güneş Baydin and Yarin Gal and Shawn D. Domagal-Goldman and Giada N. Arney and Daniel Angerhausen},
journal= {arXiv preprint arXiv:1905.10659},
year = {2019}
}