PGNets：利用卷积神经网络从原行星盘射电连续谱观测预测行星质量

我们开发了卷积神经网络（CNNs）以从射电尘埃连续谱图像中快速且直接地推断行星质量。年轻行星在原行星盘中诱发的亚结构可用于推断潜在年轻行星的性质。流体动力学模拟已被用于研究行星性质与这些盘特征之间的关系。然而，这些尝试要么一次对一个原行星盘进行精细调节数值模拟，耗时较长；要么对模拟结果进行方位角平均以推导间隙宽度/深度与行星质量之间的某些线性关系，丢失了盘中非对称特征的信息。为克服这些不足，我们开发了行星间隙神经网络（PGNets）从二维图像推断行星质量。我们首先将 Zhang 等人（2018）中的网格化数据作为分类问题来拟合。随后，我们通过以近随机采样参数运行额外模拟将数据集扩充至四倍，并将行星质量与盘黏滞系数作为回归问题一同推导。分类方法可达到 92% 的准确率，而回归方法对行星质量可达 1$\sigma$ 为 0.16 dex、对盘黏滞系数可达 0.23 dex。我们能够复现线性拟合方法中发现的简并标度 $\alpha$ $\propto$ $M_p^3$，这意味着 CNN 方法甚至可用于发现简并关系。梯度加权类激活映射有效地确认了 PGNets 使用了恰当的盘特征来约束行星质量。我们提供了 PGNets 以及 Zhang 等人（2018）传统拟合方法的程序，并讨论了各方法的优缺点。