利用机器学习精确处理通用环流模型中重叠不透明度物种
地球与行星天体物理
2023-12-07 v3 机器学习
摘要
为理解系外行星与褐矮星的高精度观测，我们需要包含流体动力学、化学与辐射的详细而复杂的通用环流模型（GCMs）。在本研究中，我们具体考察了 GCMs 中化学与辐射的耦合，并在无法假设平衡化学时，比较了相关-k 假设下不同化学物种不透明度混合的不同方法。我们提出一种基于 DeepSets（DS）的快速机器学习方法，其有效结合了各个相关-k 不透明度（k-tables）。我们评估了 DS 方法与其他已发表的方法，如自适应等效消光（AEE）和带重分箱与重排序的随机重叠（RORR）。我们将这些混合方法集成到我们的 GCM（expeRT/MITgcm）中，并以热木星 HD~209458 b 为例评估了它们的精度与性能。我们的结果表明，DS 方法对于 GCM 使用既准确又高效，而 RORR 过于缓慢。此外，我们观察到 AEE 的精度取决于其具体实现，并可能在求解辐射传输收敛时引入数值问题。我们随后将 DS 混合方法应用于简化的化学非平衡情形，其中我们模拟了 TiO 与 VO 的雨除（rainout），并确认 TiO 与 VO 的雨除会阻碍平流层的形成。为进一步加速 GCMs 中一致的非平衡化学计算的发展，我们提供了将 DS 混合方法与相关-k 辐射传输求解器耦合的文档与代码。DS 方法经广泛测试对 GCMs 足够准确；然而，加速大气反演可能需要其他方法。
引用
@article{arxiv.2311.00775,
title = {Harnessing machine learning for accurate treatment of overlapping opacity species in general circulation models},
author = {Aaron David Schneider and Paul Mollière and Gilles Louppe and Ludmila Carone and Uffe Gråe Jørgensen and Leen Decin and Christiane Helling},
journal= {arXiv preprint arXiv:2311.00775},
year = {2023}
}
备注
Accepted for publication in A&A, language edited version