使用物理约束神经网络 (PINN) 近似外星行星大气中的瑞利散射
地球与行星天体物理
2024-08-02 v1 天体物理仪器与方法
机器学习
神经与进化计算
摘要
本研究介绍了一种创新的物理约束神经网络 (PINN) 的应用，以解决外星行星大气中辐射传递 (RT) 模型中复杂挑战，特别关注高效处理散射现象。传统的 RT 模型常将散射简化为吸收，导致不准确。我们的方法利用 PINN，由于其能够将 RT 的控制微分方程直接纳入损失函数，从而提供更精确且潜在更快的建模技术。本方法的核心在于开发针对修改后的 RT 方程的可参数化 PINN，以增强其对各种大气情景的适应性。我们聚焦于使用简化的 1 维等温模型进行 transiting 外星行星大气中的 RT，模型中包含用于吸收和瑞利散射的压力相关系数。在纯吸收情景下，PINN 证明了有效预测各种吸收轮廓的传输光谱。对于瑞利散射，网络成功地计算了 RT 方程，涵盖了直接和漫散射的恒星光成分。尽管我们以简化模型为基础的初步结果令人鼓舞，表明 PINN 在改进 RT 计算方面的潜力，但也认识到来自我们近似的误差以及将此技术应用于更复杂大气条件的挑战。具体而言，将方法扩展到具有复杂温度-压力轮廓和变化散射特性（如由云雾引入的散射特性）的大气，仍是未来开发的重要领域。
引用
@article{arxiv.2408.00084,
title = {Approximating Rayleigh Scattering in Exoplanetary Atmospheres using Physics-informed Neural Networks (PINNs)},
author = {David Dahlbüdding and Karan Molaverdikhani and Barbara Ercolano and Tommaso Grassi},
journal= {arXiv preprint arXiv:2408.00084},
year = {2024}
}