利用无监督机器学习分类优化系外行星大气反演

在全天巡天时代，大气表征的主要瓶颈之一是缺乏快速、自主且稳健的大气反演方法。我们提出一种新方法，利用无监督机器学习为从透射光谱反演系外行星大气参数生成知情先验。我们使用主成分分析（PCA）高效压缩由 PLATON 包生成的透射光谱正演模型库的信息内容，随后在 PCA 空间中应用 $k$-均值聚类算法将该库划分为离散类别。我们表明，对于低至中等光谱分辨率 $R$（范围 $R~=~30-300$）以及噪声水平达峰值- trough 光谱振幅的 $10$~per~cent 的情况，我们的分类器几乎总能瞬时将未见过的光谱归入正确类别。该类所有成员的物理参数分布从而为标准反演方法（如嵌套采样）提供了知情先验。我们将知情先验方法与标准均匀先验嵌套采样器进行基准比较，发现前者速度最高快至两倍，且精度损失可忽略。我们展示了该方法在现有与近未来观测台中的应用，表明其适用于真实场景。我们的通用方法并不局限于透射光谱，应可更广泛地应用于涉及对大型数据目录重复拟合可信高维模型的场合，包括系外行星科学之外。