利用可解释机器学习理解外太阳系arbon和oxygen贫乏区域的分子比率
星系天体物理
2025-07-02 v1 机器学习
摘要
背景：外太阳系的金属浓度低于日食附近，但仍检测到许多分子。分子线比率可作为探针更好地理解这些区域的化学与物理过程。目标：我们利用可解释机器学习研究 9 种不同的分子比率，帮助理解这些环境与碳、氧化学之间的正向联系。方法：使用基于 UCLCHEM 生成的大型 astro化学模型网格，我们研究低氧和低碳初始丰度的分子云属性。我们首先尝试经典分析来理解线比率，然后使用可解释机器学习——Shapley 增益解释 (SHAP)——来理解整个参数网格中比率的高阶依赖。最后我们使用统一流形近似与投影技术 (UMAP) 作为降维方法，以创建直观的模型分组。结果：我们发现线比率覆盖良好，允许我们检验所有输入参数。SHAP 分析表明，温度和密度是最重要的特征，但在参数空间的不同部分，碳和氧丰度也很重要。最后，我们发现可以使用 UMAP 对不同类型的比率进行分组。结论：我们表明所选比率对碳初始丰度的变化最为敏感，同时对温度和密度也敏感，尤其是 CN/HCN 和 HNC/HCN 比率对初始碳丰度敏感，使其成为该参数的优良探针。就比率而言，仅 CS/SO 对氧丰度有敏感性。
引用
@article{arxiv.2505.08410,
title = {Understanding molecular ratios in the carbon and oxygen poor outer Milky Way with interpretable machine learning},
author = {Gijs Vermariën and Serena Viti and Johannes Heyl and Francesco Fontani},
journal= {arXiv preprint arXiv:2505.08410},
year = {2025}
}
备注
Accepted for publication in A&A Sect. 6. Interstellar and circumstellar matter