Parameterizing pressure-temperature profiles of exoplanet atmospheres with neural networks

要約

系外惑星の大気検索 (AR) は通常、ベイジアン推論技術とフォワード シミュレーターの組み合わせに依存して、観測されたスペクトルから大気の特性を推定します。
スペクトルのシミュレーションにおける重要な要素は、大気の熱構造を記述する圧力温度 (PT) プロファイルです。
現在の AR パイプラインは一般に、取得した PT プロファイルを単純な近似に制限するアドホック フィッティング関数を使用しますが、それでも比較的多数のパラメーターを使用します。
この研究では、物理的に一貫した PT プロファイルのための概念的に新しいデータ駆動型パラメータ化スキームを導入します。このスキームは、PT プロファイルの関数形式についての明示的な仮定を必要とせず、既存の方法よりも使用するパラメータが少なくなります。
私たちのアプローチは、関数上の分布 (PT プロファイル) を学習する潜在変数モデル (ニューラル ネットワークに基づく) で構成されます。
各プロファイルは、$P$ を $T$ にマッピングするデコーダ ネットワークを調整するために使用できる低次元ベクトルで表されます。
公開されている 2 つの自己一貫性のある PT プロファイルのデータセットでメソッドをトレーニングおよび評価すると、使用するパラメータが少ないにもかかわらず、このメソッドは平均して既存のベースラインメソッドよりも高い適合品質を達成していることがわかりました。
既存の文献に基づく AR では、私たちのモデル (2 つのパラメーターを使用) は、5 パラメーターの多項式ベースラインよりも厳密で正確な PT プロファイルの事後分布を生成すると同時に、検索を 3 倍以上高速化します。
物理的に一貫した PT プロファイルへのパラメトリック アクセスを提供し、PT プロファイルを記述するために必要なパラメータの数を減らすことにより (それにより計算コストが削減され、関心のある追加パラメータ用にリソースが解放されます)、私たちの方法は AR を向上させ、ひいては系外惑星の理解を向上させるのに役立ちます。
雰囲気とその居住性。

要約(オリジナル)

Atmospheric retrievals (AR) of exoplanets typically rely on a combination of a Bayesian inference technique and a forward simulator to estimate atmospheric properties from an observed spectrum. A key component in simulating spectra is the pressure-temperature (PT) profile, which describes the thermal structure of the atmosphere. Current AR pipelines commonly use ad hoc fitting functions here that limit the retrieved PT profiles to simple approximations, but still use a relatively large number of parameters. In this work, we introduce a conceptually new, data-driven parameterization scheme for physically consistent PT profiles that does not require explicit assumptions about the functional form of the PT profiles and uses fewer parameters than existing methods. Our approach consists of a latent variable model (based on a neural network) that learns a distribution over functions (PT profiles). Each profile is represented by a low-dimensional vector that can be used to condition a decoder network that maps $P$ to $T$. When training and evaluating our method on two publicly available datasets of self-consistent PT profiles, we find that our method achieves, on average, better fit quality than existing baseline methods, despite using fewer parameters. In an AR based on existing literature, our model (using two parameters) produces a tighter, more accurate posterior for the PT profile than the five-parameter polynomial baseline, while also speeding up the retrieval by more than a factor of three. By providing parametric access to physically consistent PT profiles, and by reducing the number of parameters required to describe a PT profile (thereby reducing computational cost or freeing resources for additional parameters of interest), our method can help improve AR and thus our understanding of exoplanet atmospheres and their habitability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google