利用神经网络高效降低行星传输光谱中的星体污染与噪声

背景：詹姆斯·韦伯太空站（JWST）已实现 unprecedented 精度的传输光谱学，但星体异质素（斑点和faculae）仍是主要的污染来源，若未纠正可能偏导大气参数的反演。目标：我们提出一种快速、无监督的方法，利用去噪自编码器（denoising autoencoder）降低行星传输光谱中的星体污染和仪器特有的噪声，从而提高大气参数反演的可靠性。方法：我们设计并在大型合成数据集上训练去噪自编码器架构，数据包括类地球型（TRAPPIST-1e 类拟合物）和亚海王星型（K2-18b 类拟合物）行星。通过 $\chi^2$ 统计量评估重构质量，覆盖广泛信噪比范围，并通过对受污染光谱的大气反演实验，比较其在准确度和计算成本方面与标准校正方法的性能。结果：去噪自编码器在低信噪比下仍能重构出无污染的光谱，同时保留关键分子特征。在反演测试中，使用去噪自编码器预处理后，推断得到的元素丰度偏差相对于未校正的基准结果更小，且计算时间缩短为常规星体污染拟合方法的三倍到六倍。结论：去噪自编码器是传统校正策略的高效替代方案，适用于 rocky 和气态系外行星的未来大气表征管线。