DPNNet-2.0 第一部分：从原行星盘缝隙的模拟图像中发现隐藏行星

在原行星盘的尘埃发射中观测到的环状缝隙等亚结构，常被解释为内嵌行星的印记。利用定制模拟或经验关系将这些行星缝隙的模型拟合到观测特征上，可以揭示隐藏行星的特性。然而，由于样本量的增加以及盘—行星相互作用的复杂性，定制拟合往往不切实际。在本文中，我们介绍了 DPNNet-2.0 的架构，它是继 DPNNet \citep{aud20} 之后的第二代模型，采用卷积神经网络（CNN，此处具体为 ResNet50）设计，用于直接从包含单颗行星的原行星盘模拟图像中预测系外行星质量。DPNNet-2.0 额外包含一个多输入框架，同时使用 CNN 和多层感知机（一类人工神经网络）来处理图像与盘参数。这使得 DPNNet-2.0 能够直接使用图像进行训练，并可选择将盘—行星流体动力学模拟生成的盘参数（盘黏滞、盘温度、盘表面密度轮廓、尘埃丰度以及粒子斯托克斯数）作为输入。本工作提供了所需框架，是迈向使用计算机视觉（实现 CNN）从阿塔卡马大型（亚）毫米波阵列等望远镜观测到的尘埃表面密度图中的行星缝隙直接提取系外行星质量的第一步。