星际多环芳烃红外发射特征相关性的机器学习解释
星系天体物理
2021-12-08 v1 天体物理仪器与方法
摘要
我们利用各种分子描述符训练了监督机器学习模型，以预测星际多环芳烃的红外发射光谱。我们证明了基于随机森林算法的特征重要性分析可用于探索发射特征之间的物理相关性。通过寻找导致不同谱带的常见分子片段，分析了红外波段间的天文相关性作为演示示例，这增进了对长期观测到的相关性的当前理解。我们提出了一种通过测量不同波段的特征重要性数组的相似性来量化波段相关性的方法，由此获得了面外弯曲区域发射的相关性图。此外，对不同描述符组合的预测结果进行比较，突出了扩展连接性分子指纹的强大预测能力，并表明其他类型多种描述符的组合通常能带来预测性能的提升。
引用
@article{arxiv.2110.03834,
title = {Machine Learning interpretation of the correlation between infrared emission features of interstellar polycyclic aromatic hydrocarbons},
author = {Zhisen Meng and Xiaosi Zhu and Peter Kovacs and Enwei Liang and Zhao Wang},
journal= {arXiv preprint arXiv:2110.03834},
year = {2021}
}