利用神经网络方法加速系外行星大气中的非平衡化学计算
地球与行星天体物理
2023-06-28 v1 机器学习
摘要
在JWST进行系外行星表征的当下，快速实现经典前向模型以理解系外行星大气中的化学与物理过程比以往任何时候都更为重要。值得注意的是，化学动力学代码所需求解的时间相关常微分方程计算非常耗时。在本研究中，我们专注于实现神经网络以替代一维化学动力学代码中的数学框架。利用一组热木星大气的重力剖面、温度-压力剖面、初始混合比和恒星通量作为自由参数，该神经网络被构建用以预测稳态下的混合比输出。网络架构由每个输入变量的独立自编码器组成以降维，随后用作类LSTM神经网络的输入训练数据。结果表明，针对混合比、恒星光谱和压力剖面的自编码器在编码与解码数据方面极为成功。我们的结果显示，在90%的案例中，完全训练的模型能够预测热木星大气模拟中物种的演化混合比。完全训练的模型比采用前向化学动力学模型的模拟快约1000倍，同时作出准确预测。
引用
@article{arxiv.2306.07074,
title = {Using a neural network approach to accelerate disequilibrium chemistry calculations in exoplanet atmospheres},
author = {Julius L. A. M. Hendrix and Amy J. Louca and Yamila Miguel},
journal= {arXiv preprint arXiv:2306.07074},
year = {2023}
}
备注
13 pages, 9 figures, accepted for publication at MNRAS