卷积神经网络作为贝叶斯反演的替代方案

系外行星观测目前采用贝叶斯反演技术进行分析。由于所用模型的计算负荷，需要在模型复杂度和计算时间之间作出折中。未来设施的数据分析将需要更复杂的模型，从而增加反演的计算负荷，这促使人们寻找一种更快的系外行星观测解释方法。我们的目标是将系外行星透射光谱的机器学习反演与嵌套采样进行比较，并理解对于统计显著的谱样本，机器学习是否能像贝叶斯反演一样可靠，同时快数个数量级。我们生成了合成透射光谱及其对应行星与大气参数的网格，一个使用自由化学模型，另一个使用平衡化学模型。每个网格随后被重新分箱以模拟 HST/WFC3 和 JWST/NIRSpec 观测，共得到四个数据集。卷积神经网络（CNNs）用每个数据集分别训练。我们对每种模型类型与仪器的组合，用嵌套采样和机器学习对 1000 个模拟观测进行反演。我们还用两种方法对真实的 WFC3 透射光谱进行反演。最后，我们测试了机器学习和嵌套采样在模型假设不正确时的鲁棒性。CNNs 在参数预测值与真实值之间达到了较低的决定系数。嵌套采样在约 8% 的反演中低估了不确定性，而 CNNs 能正确估计。对于真实 WFC3 观测，嵌套采样与机器学习在约 86% 的光谱中于 $2\sigma$ 内一致。当以错误假设进行反演时，嵌套采样在约 12% 至约 41% 的案例中低估不确定性，而 CNNs 这一比例始终低于约 10%。