Inferring Atmospheric Properties of Exoplanets with Flow Matching and Neural Importance Sampling

要約

大気検索 (AR) は、通常タスクをベイズ推論問題として組み立てることにより、観測された光スペクトルから大気パラメータを推定することによって系外惑星の特徴を調べます。
ただし、ネストされたサンプリングなどの従来のアプローチは計算コストがかかるため、機械学習 (ML) に基づくソリューションへの関心が高まっています。
この進行中の研究では、まず、AR の新しい ML ベースの方法としてフロー マッチング事後推定 (FMPE) を調査し、この場合、ニューラル事後推定 (NPE) よりは正確ですが、ネストされたサンプリングよりは精度が低いことを発見しました。
。
次に、FMPE と NPE の両方を重要度サンプリングと組み合わせます。この場合、両方の方法が精度とシミュレーション効率の点でネストされたサンプリングよりも優れています。
今後、我々の分析では、尤度ベースの重要度サンプリングによるシミュレーションベースの推論が、正確かつ効率的な AR のフレームワークを提供し、既存の望遠鏡からの観測データの分析だけでなく、新しい望遠鏡の開発にも貴重なツールとなる可能性があることを示唆しています。
ミッションと計器。

要約(オリジナル)

Atmospheric retrievals (AR) characterize exoplanets by estimating atmospheric parameters from observed light spectra, typically by framing the task as a Bayesian inference problem. However, traditional approaches such as nested sampling are computationally expensive, thus sparking an interest in solutions based on machine learning (ML). In this ongoing work, we first explore flow matching posterior estimation (FMPE) as a new ML-based method for AR and find that, in our case, it is more accurate than neural posterior estimation (NPE), but less accurate than nested sampling. We then combine both FMPE and NPE with importance sampling, in which case both methods outperform nested sampling in terms of accuracy and simulation efficiency. Going forward, our analysis suggests that simulation-based inference with likelihood-based importance sampling provides a framework for accurate and efficient AR that may become a valuable tool not only for the analysis of observational data from existing telescopes, but also for the development of new missions and instruments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google