星际化学物种的机器学习
星系天体物理
2021-08-18 v1 化学物理
摘要
星际化学物种的表征为天体物理源中的化学与物理过程提供了宝贵的见解。随着可行物种数量呈组合式增长，新星际分子的发现变得愈发困难，即便仅考虑热力学最稳定的物种也是如此。在本工作中，我们提出了一种结合化学信息学与机器学习方法来理解与建模星际化学物种的新途径。利用通过无监督机器学习获得的分子多维向量表示，我们表明可通过对该向量空间中化学相似性的定量度量来识别用于天体化学研究的候选分子，从而突出那些与星际介质中已知分子最为相似的分子。此外，我们表明简单的监督学习回归器能够复现整个化学物种的丰度，并预测尚未观测到的分子的丰度。作为概念验证，我们开发并将该发现流程应用于一个著名暗分子云——金牛座分子云1（TMC-1）的化学物种；它是迄今已知化学最丰富的空间区域之一。本文讨论了机器学习对化学空间的探索可在天体化学中提供的意义与新见解。
引用
@article{arxiv.2107.14610,
title = {Machine Learning of Interstellar Chemical Inventories},
author = {Kin Long Kelvin Lee and Jacqueline Patterson and Andrew M. Burkhardt and Vivek Vankayalapati and Michael C. McCarthy and Brett A. McGuire},
journal= {arXiv preprint arXiv:2107.14610},
year = {2021}
}
备注
20 pages; 8 figures, 2 tables in the main text. 6 figures, 2 tables in the appendix. Accepted for publication in The Astrophysical Journal Letters. Molecule recommendations for TMC-1 can be found in the Zenodo repository: https://zenodo.org/record/5146276