利用互相关与监督机器学习解释系外行星高分辨率光谱

我们提出了一种对系外行星地基高分辨率数据进行大气反演的新方法。该方法将互相关函数与一种监督机器学习技术——随机森林相结合，以克服高分辨率数据带来的挑战。一系列互相关函数被拼接为每个模型大气的“CCF序列”，从而将维度降低约100倍。随机森林在我们的约65,000个模型网格上训练，提供了一种无似然的反演方法。该预计算网格在温度和金属度上各涵盖31个取值，并包含真实的噪声模型。我们将该方法应用于超热木星KELT-9b的HARPS-N观测，获得了与太阳一致的金属度（logM = $-0.2\pm0.2$）。我们反演的凌星弦温度（T = $6000^{+0}_{-200}$K）不可靠，因为离子互相关位于训练集之外，我们将其解释为大气模型中缺失物理过程的指示。我们将该方法与传统嵌套采样以及其他机器学习技术（如贝叶斯神经网络）进行比较。我们证明随机森林的无似然特性使其比嵌套采样对不同的误差分布更鲁棒，并且我们测试的贝叶斯神经网络无法复现复杂的后验分布。我们还回应了Cobb等人（2019）关于我们的随机森林反演技术可能过度自信但错误的论断。我们表明这是训练集的假象，而非机器学习方法本身的问题，并且后验分布与嵌套采样所得一致。