用于分析系外行星大气光谱的有监督机器学习

机器学习的使用在天文学中正变得无处不在，但在系外行星大气研究中仍然罕见。给定系外行星大气的光谱，需要实时遍历多参数空间以寻找最佳拟合模型。这种被称为大气反演的技术源自地球与行星科学。此类方法非常耗时，并且必然需要在物理与化学真实性与计算可行性之间进行折中。机器学习此前已被用于确定模型中包含哪些分子，但反演本身仍使用标准方法进行。在此，我们报道了一种有监督机器学习随机森林方法的改进，该方法在预先计算的大气模型网格上进行训练，能够获取分子丰度和云不透明度的完整后验分布。预先计算网格的使用使得大部分计算负担可以转移到离线进行。我们使用五参数模型（温度、恒定的云不透明度以及水、氨和氰化氢的体积混合比或数量相对丰度），在热气态巨行星系外行星 WASP-12b 的透射光谱上展示了我们的技术。我们获得了与标准嵌套采样反演方法一致的结果。此外，我们可以估计测量光谱对限制模型参数的敏感性，并量化光谱的信息含量。我们的方法可以直接应用于更复杂的大气模型，也可以用于解释光谱集合，而无需重新训练随机森林。