有监督机器学习用于系外行星大气反演的评估

系外行星来自光谱观测的大气反演需要对高度简并且高维的参数空间进行广泛探索，以准确约束大气参数。反演方法通常使用采样算法如马尔可夫链蒙特卡洛（MCMC）或嵌套采样进行贝叶斯参数估计与统计推断。近来已有若干尝试使用机器学习算法来补充或完全替代贝叶斯方法。尽管取得了诸多进展，这些方法有时仍无法准确复现当代贝叶斯反演的结果。我们当前工作的目标是研究机器学习用于大气反演的有效性。作为一个案例研究，我们采用此前已对热木星 WASP-12b 利用其近红外透射光谱进行大气反演取得一定成功的随机森林（Random Forest）有监督机器学习算法。我们使用相同方法与相同半解析模型复现了先前结果，随后扩展该方法开发出一种新算法，其与完全贝叶斯反演更为吻合。我们将此新方法结合完全数值大气模型，并展示其与另一热木星 HD 209458b 透射光谱的贝叶斯反演高度一致。尽管取得此成功并实现了高计算效率，我们仍发现该机器学习方法对于贝叶斯反演以适度计算资源常规探索的高维参数空间而言计算上难以承受。我们讨论了其中的权衡与未来潜在途径。