May, 2023

使用机器学习对棕矮星模型网格与大气获取进行比较

PDF
TL;DR利用随机森林方法进行机器学习研究，分析了 14 种棕矮星大气模型的信息内容，发现棕矮星的有效温度能够独立于模型网格准确预测，但相对应的表面重力计算仍然存在挑战。
brown dwarfspectral datarandom forestmachine learningatmosphere models
发现论文，激发创造
  • 现代天文巡天数据中寻找 L&T 类褐矮星的机器学习方法

    利用机器学习方法，如随机森林分类器、XGBoost、支持向量机分类器和 TabNet，基于 PanStarrs DR1、2MASS 和 WISE 数据，区分 L 和 T 型棕矮星与其他光谱和亮度类别的物体，并对模型进行解释。同时，我们将我们的模型与经典决策规则进行比较，证明它们的效率和相关性。

    Aug, 2023

  • 基于机器学习的 Gaia 天体测量外行星轨道的识别

    通过机器学习方法，利用 Gaia 的星动轨道解决方案，确定太阳附近约 500 光年范围内的恒星系中可能的太阳系外行星和棕矮星伴星，提出 22 个最佳候选对象，其中四个是太阳系外行星候选，另外五个是非常大的棕矮星或非常低质量的恒星。

    Apr, 2024

  • 使用机器学习代理模型复现行星大气参数重构的贝叶斯后验分布

    用机器学习建立的代理模型，能够生成类似于使用传统检索软件（如 TauRex）从行星凌星光谱中得出的行星大气参数的贝叶斯后验分布。该模型通过对七个参数（行星半径、大气温度以及五种常见吸收剂的混合比：$H_2O$、$CH_4$、$NH_3$、$CO$ 和 $CO_2$）的真实分布进行预训练，采用问题领域的启发式预处理和半监督学习方法提高模型性能，并在 2023 年 Ariel 机器学习数据挑战中获得优胜方案之一。

    Oct, 2023

  • 用贝叶斯神经网络集合进行外行星大气检索

    这篇论文讨论了机器学习在星际物理领域的应用，利用贝叶斯神经网络实现了精准的大气成分测算以及创新性地引入了一种新的损失函数提高了性能。

    May, 2019

  • 使用去噪扩散概率模型预测分子云的辐射场

    利用深度学习技术和尘埃发射数据，通过预测星际辐射场的强度，研究表明尘埃温度与实际的星际辐射场之间存在弱相关性，并且模型能够捕捉到星际辐射场的变化，但精确的预测需要准确的训练数据集来反映目标分子云的独特物理条件。

    Sep, 2023

  • 去噪扩散概率模型用于预测分子云密度

    本文介绍了新颖的深度学习去噪扩散概率模型（DDPM）方法，用于从投影质量表面密度图中推断巨大分子云（GMC）的体积或数量密度，该扩散方法相较于其他方法，能在预测数量密度方面提高一个数量级。

    Apr, 2023

  • 利用深度学习重建太阳系外行星大气参数

    本研究利用深度学习和反向建模技术相结合的多模态架构，提出一种多目标概率回归方法，从外行星中提取大气参数，克服了计算限制，胜过先前的方法，在外行星大气的高效分析上做出了重要贡献，并为未来研究提供了有价值的见解。

    Oct, 2023

  • FlopPITy: 用机器学习实现自洽行星大气逆推

    利用机器学习推断算法 SNPE，我们能够以更高的计算效率运行可靠的外行星大气解译检索，并加速检索速度，提高计算耗费大气模型的可行性。

    Jan, 2024

  • 基于 Transformer 的大气密度预测

    2025 年太阳活动周期达到高峰时，单个地磁风暴对居住空间物体轨道的显著影响，大气密度预测技术对空间态势感知至关重要。本研究通过开发基于非线性转换器的架构，改进了以往用于大气密度预测的线性传播方法，通过从历史大气密度数据中学习多层权重，捕捉数据集中的长期依赖关系，实现了大气密度预测。同时，比较了以前使用的基于动态模式分解与控制（DMDc）和基于转换器的传播器的经验性 NRLMSISE-00 和 JB2008 以及基于物理的 TIEGCM 大气密度模型的预测效果。

    Oct, 2023

  • 利用机器学习增强天体物理比例关系：降低 Sunyaev-Zeldovich 通量 - 质量离散度的应用

    本研究使用机器学习的符号回归分析了天体物理系统中太阳耀斑 - 泽尔多维奇流量 - 星团质量关系的库，发现了一个由太阳耀斑 - 泽尔多维奇流量和电离气体浓度紧密相关的星团质量的新代理，并测试并证明该新代理在不同宇宙学、物理条件下依然可行，可以用于 CMB，X 线等观测数据的多波段星团质量估计。

    Jan, 2022