Exoformer：利用Transformer神经网络加速贝叶斯大气反演
地球与行星天体物理
2026-04-30 v1 天体物理仪器与方法
摘要
计算昂贵且耗时的贝叶斯大气反演构成了对当前和下一代空间望远镜（如JWST和Ariel）高质量系外行星光谱快速分析的显著瓶颈。随着这些任务需要更复杂的大气模型来充分表征其发现的光谱特征，它们将从机器学习和深度学习等数据驱动分析技术中受益。我们提出并详细描述了一种使用基于Transformer的神经网络（Exoformer）来快速生成热木星大气透射光谱信息先验的方法。我们通过模拟观测和JWST对WASP-39b和WASP-17b的真实数据，在TauREx反演框架中利用嵌套采样算法验证了Exoformer的有效性。通过用Exoformer导出的信息先验替代标准均匀先验，我们的方法在测试案例中将嵌套采样反演加速了3-8倍，同时保持了反演参数和最佳拟合光谱。关键的是，我们确保反演参数和最佳拟合模型与经典方法的结果保持一致。此外，我们通过比较两者的对数贝叶斯证据确认了两种反演方法的统计一致性，获得的每个贝叶斯因子的绝对值|Δlog Z|<5，即在常用尺度上对任一模型均无强烈偏好。这种混合方法显著提升了大气反演工具的效率而不损害其准确性，为更快速的复杂系外行星光谱分析铺平了道路，并实现了更真实大气模型的集成。
引用
@article{arxiv.2603.27623,
title = {$\texttt{Exoformer}$: Accelerating Bayesian atmospheric retrievals with transformer neural networks},
author = {L. Pagliaro and T. Zingales and G. Piotto and I. Giovannini and G. Mantovan},
journal= {arXiv preprint arXiv:2603.27623},
year = {2026}
}
备注
13 pages, 11 figures. Accepted for publication in Astronomy & Astrophysics