Reproducing Bayesian Posterior Distributions for Exoplanet Atmospheric Parameter Retrievals with a Machine Learning Surrogate Model

要約

TauRex などの典型的な検索ソフトウェアを使用して、通過惑星の透過スペクトルから導出された系外惑星大気パラメータのベイジアン事後分布を再現するための機械学習ベースの代理モデルについて説明します。
このモデルは、惑星半径、大気温度、および 5 つの一般的な吸収体 $H_2O$、$CH_4$、$NH_3$、$CO$、$CO_2$ の混合比の 7 つのパラメーターのグラウンド トゥルース分布でトレーニングされています。
モデルのパフォーマンスは、ドメインにインスピレーションを得た特徴の前処理と、利用可能な大量のラベルなしトレーニング データを活用するための半教師あり学習の使用によって強化されます。
このモデルは、2023 年の Ariel Machine Learning Data Challenge で優勝したソリューションの 1 つでした。

要約(オリジナル)

We describe a machine-learning-based surrogate model for reproducing the Bayesian posterior distributions for exoplanet atmospheric parameters derived from transmission spectra of transiting planets with typical retrieval software such as TauRex. The model is trained on ground truth distributions for seven parameters: the planet radius, the atmospheric temperature, and the mixing ratios for five common absorbers: $H_2O$, $CH_4$, $NH_3$, $CO$ and $CO_2$. The model performance is enhanced by domain-inspired preprocessing of the features and the use of semi-supervised learning in order to leverage the large amount of unlabelled training data available. The model was among the winning solutions in the 2023 Ariel Machine Learning Data Challenge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google