面向系外行星大气反演的贝叶斯深度学习
地球与行星天体物理
2018-12-04 v2 机器学习
摘要
在过去的十年中，系外行星的研究已从单纯的探测与识别迅速发展为对系外行星系统及其大气的全面分类与表征。大气反演是一种逆建模技术，用于从观测光谱中确定系外行星大气的温度结构与成分，该技术既耗时又耗费计算资源，需要复杂算法将数千至数百万个大气模型与观测数据进行比较，以找出每个模型参数最可能的值及相应不确定性。对于岩质类地行星，反演得到的大气成分可揭示维持该大气稳定性所需的气态物种表面通量，进而可能提供关于行星上活跃地质和/或生物过程的见解。这些大气包含许多分子，其中一些是生物标志——表明生物活动的光谱指纹，下一代望远镜将能观测到它们。传统反演模型的运行时间随模型参数数量而增长，因此当考虑更多分子物种时，运行时间可能变得过长。机器学习（ML）和计算机视觉的最新进展提供了新的途径，在给定充足训练数据的情况下，可将反演时间缩短数个数量级。本文提出一种基于 ML 的反演框架，称为 Intelligent exoplaNet Atmospheric RetrievAl（INARA），其由一个用于反演的贝叶斯深度学习模型和使用 NASA Planetary Spectrum Generator 生成的 3,000,000 条合成岩质系外行星光谱数据集组成。我们的工作代表了首个面向岩质类地系外行星的 ML 反演模型，以及首个在此规模上生成的类地光谱合成数据集。
引用
@article{arxiv.1811.03390,
title = {Bayesian Deep Learning for Exoplanet Atmospheric Retrieval},
author = {Frank Soboczenski and Michael D. Himes and Molly D. O'Beirne and Simone Zorzan and Atilim Gunes Baydin and Adam D. Cobb and Yarin Gal and Daniel Angerhausen and Massimo Mascaro and Giada N. Arney and Shawn D. Domagal-Goldman},
journal= {arXiv preprint arXiv:1811.03390},
year = {2018}
}
备注
Third workshop on Bayesian Deep Learning (NeurIPS 2018), Montreal, Canada