利用流匹配与神经重要性采样反演系外行星大气属性

大气反演（AR）通过从观测光谱中估计大气参数来表征系外行星，通常将该任务构建为贝叶斯推断问题。然而，嵌套采样等传统方法计算成本高昂，因此激发了人们对基于机器学习（ML）的解决方案的兴趣。在这项正在进行的工作中，我们首先探索了流匹配后验估计（FMPE）作为一种新的基于ML的AR方法，并发现在我们的案例中，它比神经后验估计（NPE）更准确，但不如嵌套采样准确。随后，我们将FMPE和NPE与重要性采样相结合，在这种情况下，两种方法在准确性和模拟效率方面均优于嵌套采样。展望未来，我们的分析表明，基于模拟的推断与基于似然的重要性采样相结合，为精确且高效的AR提供了一个框架，该框架不仅可能成为分析现有望远镜观测数据的宝贵工具，也可能成为开发新任务和新仪器的宝贵工具。