用贝叶斯深度学习从原行星盘中的缝隙推断行星质量

行星诱发的亚结构（如环状缝隙）在原行星盘尘埃发射中的观测，为刻画未见年轻行星提供了独特探针。尽管基于深度学习的模型在刻画行星性质上优于传统方法（如定制模拟与经验关系），但其缺乏量化预测相关不确定性的能力。本文中，我们引入一种贝叶斯深度学习网络“DPNNet-Bayesian”，它可从盘缝隙预测行星质量并提供与预测相关的不确定性。我们方法的一个独特之处在于，它能区分与深度学习架构相关的不确定性和输入数据中因测量噪声固有的不确定性。该模型在由盘-行星模拟使用 \textsc{fargo3d} 流体动力学代码生成的数据集上训练，该代码新实现了固定粒径模块并改进了初始条件。贝叶斯框架能够在应用于未知观测时估计预测有效性的度量/置信区间。作为概念验证，我们将 DPNNet-Bayesian 应用于 HL Tau 中观测到的尘埃缝隙。该网络分别预测质量为 $86.0 \pm 5.5 M_{\Earth}$、$43.8 \pm 3.3 M_{\Earth}$ 和 $92.2 \pm 5.1 M_{\Earth}$，与其他基于专门模拟的研究相当。