基于机器学习的低质量系外行星内部结构推断
地球与行星天体物理
2020-01-27 v1
摘要
我们探索了基于混合密度神经网络（MDN）的机器学习在质量、半径和流体Love数约束下对质量不超过25倍地球质量的低质量系外行星进行内部表征的应用。我们创建了一个由900 000颗合成行星组成的数据集，包含富铁核、硅酸盐幔、高压冰壳和气态H/He包层，用以训练以行星质量和半径为网络输入的MDN。对于这种分层结构，我们表明MDN能够从行星的质量和半径推断各行星层可能厚度的分布。该方法免去了针对每颗行星用一组专用正演模型计算此类分布的耗时任务。虽然富气体行星可能由成分梯度而非明显分层来表征，但此处提出的方法可轻易推广到任意内部结构模型。流体Love数对行星内部的质量分布构成约束，未来将被测得越来越多系外行星的该值。将作为MDN的输入显著降低了可能内部结构的不定性。
引用
@article{arxiv.1911.12745,
title = {Machine learning inference of the interior structure of low-mass exoplanets},
author = {Philipp Baumeister and Sebastiano Padovan and Nicola Tosi and Grégoire Montavon and Nadine Nettelmann and Jasmine MacKenzie and Mareike Godolt},
journal= {arXiv preprint arXiv:1911.12745},
year = {2020}
}
备注
14 pages, 7 figures, accepted for publication in ApJ