利用条件可逆神经网络进行系外行星表征

系外行星内部的表征是一个反问题，需要诸如贝叶斯推断之类的统计方法才能求解。当前方法采用马尔可夫链蒙特卡洛（MCMC）采样来推断给定系外行星的行星结构参数的后验概率。这些方法耗时，因为它们需要计算大量行星结构模型。为了在表征系外行星时加速推断过程，我们提出使用条件可逆神经网络（cINN）来计算内部结构参数的后验概率。cINN是一类特殊的神经网络，擅长求解反问题。我们使用 FrEIA 构建了一个 cINN，并在包含 $5.6\cdot 10^6$ 个内部结构模型的数据库上训练，以恢复内部结构参数与可观测特征（即行星质量、行星半径和宿主恒星成分）之间的逆映射。将 cINN 方法与 Metropolis-Hastings MCMC 进行了比较。为此，我们使用 MCMC 方法和训练好的 cINN 重复了对系外行星 K2-111 b 的表征。我们表明，两种方法推断出的内部结构参数后验概率非常相似，最大差异出现在系外行星的水含量上。因此，cINN 是标准耗时采样方法的一种可能替代方案。事实上，使用 cINN 推断系外行星成分的速度快于 MCMC 方法数个数量级，但它仍需要计算大型内部结构数据库来训练 cINN。由于该数据库仅计算一次，我们发现当使用同一个 cINN 表征超过 10 颗系外行星时，使用 cINN 比 MCMC 更高效。