基于模拟推断的系外行星大气反演：利用归一化流赢得 Ariel 数据挑战赛 2023 的洞见
地球与行星天体物理
2023-09-19 v1 天体物理仪器与方法
机器学习
摘要
空间望远镜的进步为收集大量系外行星大气光谱数据开辟了新途径。然而，由于底层物理的非线性性质，从这些光谱中准确提取化学与物理属性面临重大挑战。本文介绍了 AstroAI 团队为 Ariel 数据挑战赛 2023 开发的新型机器学习模型，其中一模型在 293 名参赛者中夺得头名。利用归一化流（Normalizing Flows），我们的模型在不同大气假设下预测大气参数的后验概率分布。此外，我们引入了一个替代模型，其性能潜力高于获胜模型，尽管在挑战赛中得分较低。这些发现凸显了重新评估评价指标的必要性，并促使进一步探索更高效、更准确的系外行星大气光谱分析方法。最后，我们提出改进挑战赛与模型的建议，为未来在真实观测数据上的应用提供宝贵洞见。这些进展为更有效、更及时地分析系外行星大气属性铺平了道路，推进了我们对这些遥远世界的理解。
引用
@article{arxiv.2309.09337,
title = {Simulation-based Inference for Exoplanet Atmospheric Retrieval: Insights from winning the Ariel Data Challenge 2023 using Normalizing Flows},
author = {Mayeul Aubin and Carolina Cuesta-Lazaro and Ethan Tregidga and Javier Viaña and Cecilia Garraffo and Iouli E. Gordon and Mercedes López-Morales and Robert J. Hargreaves and Vladimir Yu. Makhnev and Jeremy J. Drake and Douglas P. Finkbeiner and Phillip Cargile},
journal= {arXiv preprint arXiv:2309.09337},
year = {2023}
}
备注
Conference proceeding for the ECML PKDD 2023