使用解释性机器学习技术解析原行星盘中的CO化学
地球与行星天体物理
2023-12-11 v1 星系天体物理
太阳与恒星天体物理
机器学习
摘要
原行星盘中的分子丰度对局部物理条件高度敏感，包括气体温度、气体密度、辐射场和尘埃性质。通常多个因素相互交织，影响简单和复杂物种的丰度。我们提出了一种使用机器学习理解这些化学和物理相互依赖关系的新方法。具体来说，我们探索了在通用盘条件下建模的CO案例，并构建了一个解释性回归模型，以研究CO空间密度对气体密度、气体温度、宇宙射线电离率、X射线电离率和紫外通量的依赖性。我们的发现表明，与任何单一物理参数相比，参数组合在调节CO方面发挥着令人惊讶的强大作用。此外，总体而言，我们发现盘中的条件对CO具有破坏性。在宇宙射线环境增强以及初始C/O比更高的盘中，CO消耗进一步加剧。我们的新方法揭示的这些依赖性与先前的研究一致，这些研究建模强度更大且计算成本更高。因此，我们的工作表明，机器学习不仅可以用于创建高效的预测模型，还可以用于更深入地理解复杂的化学过程。
引用
@article{arxiv.2312.05254,
title = {Disentangling CO Chemistry in a Protoplanetary Disk Using Explanatory Machine Learning Techniques},
author = {Amina Diop and Ilse Cleeves and Dana Anderson and Jamila Pegues and Adele Plunkett},
journal= {arXiv preprint arXiv:2312.05254},
year = {2023}
}
备注
Accepted in ApJ, 17 pages, 13 figures, 5 tables