基于机器学习的原行星盘化学建模加速
地球与行星天体物理
2022-10-19 v1 天体物理仪器与方法
太阳与恒星天体物理
机器学习
摘要
目的。随着（亚）毫米波天文台的大量分子发射数据以及即将到来的詹姆斯·韦伯空间望远镜红外光谱，获取原行星盘化学组成的快速前向模型至关重要。方法。我们使用热化学建模代码生成了多样化的原行星盘模型族。我们训练了一个K近邻（KNN）回归器来即时预测其他盘模型的化学组成。结果。我们表明，由于所采用原行星盘模型中局域物理条件之间的相关性，仅使用一小部分物理条件即可准确复现化学组成。我们讨论了该方法的不确定性与局限性。结论。所提方法可用于谱线发射数据的贝叶斯拟合，以从观测中反演盘性质。我们提出了一个可在其他盘化学模型集上复现相同方法的流程。
引用
@article{arxiv.2209.13336,
title = {Machine learning-accelerated chemistry modeling of protoplanetary disks},
author = {Grigorii V. Smirnov-Pinchukov and Tamara Molyarova and Dmitry A. Semenov and Vitaly V. Akimkin and Sierk van Terwisga and Riccardo Francheschi and Thomas Henning},
journal= {arXiv preprint arXiv:2209.13336},
year = {2022}
}
备注
11 pages, 5 figures