AAAIDec, 2023

利用流匹配和神经重要性抽样推断系外行星的大气特性

PDF
TL;DR大气检索通过估计观测光谱中的大气参数来表征外行星，通常将其作为贝叶斯推断问题来解决。我们探索了基于流匹配后验估计（FMPE）的机器学习方法用于大气检索，并发现在这种情况下，它比神经后验估计（NPE）更准确，但比嵌套采样方法的准确性稍低。我们将 FMPE 和 NPE 与重要性采样相结合，两种方法在准确性和模拟效率方面均优于嵌套采样。进一步分析表明，基于仿真和基于似然的重要性采样提供了一个准确高效的大气检索框架，不仅可以用于分析现有望远镜的观测数据，还可以用于新任务和仪器的开发。
发现论文，激发创造
  • 基于仿真的外行星大气还原的推理方法：从赢得 2023 年 Ariel 数据挑战赛中得到的结论中使用规范化流程

    利用空间望远镜对行星大气光谱进行数据收集，作者团队开发了基于机器学习的模型，有效地从光谱数据中准确提取出化学和物理特性，并提出了替代模型展示出更高性能潜力的建议。这些研究成果为更有效和及时地分析行星大气属性铺平了道路，推进了对这些遥远世界的了解。

    Sep, 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

  • 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

  • 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

  • 可扩展仿真推断的流匹配

    提出了流匹配后验概率估计（FMPE）方法，使用连续正则化流实现了基于模拟的推断任务，较于离散流，在保持精度的情况下，提供了更高的灵活性和可伸缩性。在模拟数据集上取得了有竞争力的性能，而在重力波推断任务中，FMPE 方法的训练速度比离散流方法快 30％，且准确度得到了大幅提高。

    May, 2023

  • 使用神经网络对系外行星大气层的压力 - 温度剖面进行参数化

    利用少量参数的基于神经网络的潜变量模型的参数化方案，实现了对大气检测和外行星大气特征的更准确和更高效的估计。

    Sep, 2023

  • 利用神经重要性抽样探索相空间

    本文提出了一种新的高能物理中散射截面和粒子事件样本生成的方法，通过引入神经网络来克服现有方法的一些缺陷，保证了全相空间覆盖和目标分布精确重现，并通过几个代表性的例子研究了算法的性能，包括顶夸克对产生、三光子和四光子最终态的胶子散射等。

    Jan, 2020

  • 利用自动微分和神经传输在天体粒子物理中进行快速推断

    应用 GPU 加速、自动差分和神经网络引导重新参数化等新技术，我们研究了多维参数空间中的天体粒子物理实验结果，并将其性能与传统嵌套采样技术进行了对比，发现这些技术可以加速推理过程，提高模型比较性能。

    May, 2024

  • 基于预测自回归模型的预测采样

    本论文提出了一种预测采样算法，利用 ARMs 的快速推断能力加速采样，证明其在二元 MNIST 等设置下可显著提高推断调用次数和采样速度。

    Feb, 2020