利用可解释机器学习理解恒星形成区的分子丰度

星际介质的天文化学建模通常使用复杂的计算代码，其参数取值可以变化。这些输入参数与输出分子丰度之间的确切关系并非总是一目了然。本工作中，我们使用 SHapley Additive exPlanations（SHAP）这一可解释机器学习技术进行特征重要性分析，以识别最重要的物理参数及其与每个输出的关系。输出为各物种的丰度及丰度比。为缩短该过程耗时，我们训练了一个神经网络仿真器来建模各物种的输出丰度，并将该仿真器用于执行可解释机器学习。随后使用 SHAP 进一步探究我们所考虑的各物种及比率的物理特征与丰度之间的关系。发现 \ce{H2O} 与 CO 的气相丰度强烈依赖于金属丰度。\ce{NH3} 具有强烈的温度依赖性，存在两个温度区间（< 100 K 与 > 100 K）。通过分析化学网络，我们将其归因于网络中的化学反应，并发现温度升高导致销毁路径效率提升。我们研究了 HCN/HNC 比率，表明其可用作宇宙温度计，与文献一致。该比率还被发现与金属丰度相关。HCN/CS 比率可作为密度示踪量，但也具有三个独立的温度依赖区间，这与两种分子的化学性质有关。