用神经网络参数化系外行星大气的压力-温度剖面
天体物理仪器与方法
2023-12-20 v1 地球与行星天体物理
机器学习
摘要
系外行星的大气反演(AR)通常依赖贝叶斯推断技术与前向模拟器的结合,从观测光谱估算大气性质。模拟光谱的关键组成部分是压力-温度(PT)剖面,其描述大气的热结构。当前 AR 流程常在此使用特设拟合函数,将反演的 PT 剖面限制为简单近似,但仍使用相对大量的参数。本工作中,我们引入一种概念上全新的、数据驱动的、物理一致的 PT 剖面参数化方案,无需对 PT 剖面的函数形式作显式假设,且比现有方法使用更少参数。我们的方法由一个潜变量模型(基于神经网络)组成,学习函数(PT 剖面)上的分布。每个剖面由低维向量表示,可用于条件化一个将 映射到 的解码器网络。在两个公开的自洽 PT 剖面数据集上训练和评估我们的方法时,我们发现尽管使用更少参数,平均拟合质量仍优于现有基线方法。在基于现有文献的 AR 中,我们的模型(使用两个参数)比五参数多项式基线产生更紧致、更准确的 PT 剖面后验,同时将反演速度提升三倍以上。通过提供对物理一致 PT 剖面的参数化访问,并减少描述 PT 剖面所需参数数量(从而降低计算成本或释放资源用于其他感兴趣参数),我们的方法有助于改进 AR,进而增进对系外行星大气及其宜居性的理解。
引用
@article{arxiv.2309.03075,
title = {Parameterizing pressure-temperature profiles of exoplanet atmospheres with neural networks},
author = {Timothy D. Gebhard and Daniel Angerhausen and Björn S. Konrad and Eleonora Alei and Sascha P. Quanz and Bernhard Schölkopf},
journal= {arXiv preprint arXiv:2309.03075},
year = {2023}
}
备注
Accepted for publication in Astronomy & Astrophysics