窥探黑箱：解释用于系外行星大气反演的深度学习模型

深度学习算法因其建模高度非线性关系并以数据驱动方式解决有趣问题的能力，在系外行星科学领域日益流行。若干工作已尝试利用深度神经网络（DNNs）等机器学习算法快速反演大气参数。然而，尽管预测能力强大，DNNs也因作为“黑箱”而臭名昭著。正是其明显缺乏可解释性，使天体物理界不愿采用它们。它们的预测基于什么？我们应多大程度上信任它们？它们何时出错以及可能错到什么程度？在本工作中，我们提出若干可应用于任何已训练模型的通用评估方法学，并回答此类问题。具体而言，我们训练三种不同的流行DNN架构从系外行星光谱反演大气参数，并表明三者均取得良好预测性能。随后我们对DNN的预测进行广泛分析，其可告知我们——除其他外——给定仪器与模型下大气参数的可信度极限。最后，我们执行基于扰动的敏感性分析，以识别反演结果对光谱哪些特征最敏感。我们得出结论：对于不同分子，DNN预测最敏感的光谱范围确实与其特征吸收区域重合。本工作提出的方法学有助于改进DNN的评估并赋予其预测以可解释性。