用机器学习分析原行星盘的 spectral energy distribution

删节版。已知对原行星盘能谱分布(SED)进行分析以确定其物理属性具有高度简并性。因此，需进行贝叶斯分析以获取参数不确定度与简并性。此处的挑战在于计算速度，因为一次辐射转移模型计算需耗时数分钟。我们对30个知名原行星盘执行了贝叶斯分析，以确定其物理盘属性，包括不确定度与简并性。为规避计算成本问题，我们创建了神经网络(NN)以模拟SED生成过程。我们生成了两套辐射转移盘模型，用于训练并测试两个分别预测连续与断续盘SED的NN。随后对DIANA项目收集的30个原行星盘SED数据执行贝叶斯分析，以确定所有参数的后验分布。我们分析两次：(i)采用旧距离及先前研究使用的附加参数约束以比较结果；(ii)采用更新距离与自由参数选择，以获得同质且无偏的模型参数。我们评估了SED分析确定物理盘参数的不确定度，并探测与量化了最强简并性。NN能在1ms内预测SED，与辐射转移代码所得真实SED相比不确定度约5%。我们发现参数值与不确定度显著不同于先前由$\chi^2$拟合获得的值。比较连续与断续盘的全局证据，发现30个对象中有26个由具有两个分明径向区的盘更好地描述。此外，我们创建了一个交互式工具，可瞬时返回任意参数组合下NN预测的SED。