Generalmente se interpreta que las observaciones de atmósferas exoplanetarias limitan las propiedades físicas y químicas utilizando técnicas de recuperación bayesianas.

Dado que estos métodos requieren muchos cálculos del modelo, se llega a un compromiso entre la complejidad del modelo y el tiempo de ejecución. Alcanzar este compromiso simplifica muchos procesos físicos y químicos (como la estructura de temperatura parametrizada).

Aquí implementamos y probamos la estimación posterior secuencial neuronal (SNPE), un algoritmo de inferencia de aprendizaje automático, para la recuperación de atmósferas exoplanetarias. El objetivo es acelerar las recuperaciones, de modo que puedan ejecutarse utilizando modelos atmosféricos computacionalmente más costosos, como aquellos que calculan la estructura de temperatura mediante transferencia radiativa.

Generamos 100 observaciones sintéticas utilizando ARCiS (código de modelado ARtful para ciencia exoplanetaria, un código de modelado atmosférico con la flexibilidad de calcular modelos de diversa complejidad) y realizamos recuperaciones de ellas para probar la precisión del fondo SNPE. La fidelidad determina si la información de fondo contiene tanta verdad como esperamos.

También creamos una observación artificial de una enana marrón fría utilizando las capacidades autoconsistentes de ARCiS y realizamos una recuperación utilizando modelos autoconsistentes para demostrar las posibilidades abiertas por SNPE. Descubrimos que SNPE proporciona antecedentes fieles y, por lo tanto, es una herramienta confiable para recuperar atmósferas exoplanetarias.

Podemos realizar una recuperación autoconsistente del espectro de la enana marrón artificial utilizando solo 50.000 evaluaciones de modelos futuros.

Descubrimos que SNPE puede acelerar las recuperaciones entre ∼2× y ≥10× dependiendo de la carga computacional del modelo directo, la dimensionalidad de la observación y la relación señal-ruido de la observación. Hacemos que el código esté disponible públicamente en Github.

Francisco Ardiful Martínez, Michelle Maine, Daniela Hoppenkothen, Inga Kamp, Paul I. Palmer

Comentarios: Aceptado para publicación en A&A
Temas: La Tierra y la astrofísica planetaria (astro-ph.EP); Instrumentos y Métodos Astrofísicos (astro-ph.IM); Aprendizaje automático (cs.LG)
Citar como: arXiv:2401.04168 [astro-ph.EP] (O arXiv:2401.04168v1 [astro-ph.EP] para esta versión)
https://doi.org/10.48550/arXiv.2401.04168
Día de entrega
De: Francisco Ardívol Martínez
[v1] Lunes 8 de enero de 2024, 19:00:02 UTC (825 KB)
https://arxiv.org/abs/2401.04168
astrobiología,