Jan, 2024

FlopPITy: 用机器学习实现自洽行星大气逆推

PDF
TL;DR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。
exoplanet atmospheresbayesian retrieval techniquesmachine learning inference algorithmsynthetic observationssnpe
发现论文，激发创造
  • 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

  • 利用流匹配和神经重要性抽样推断系外行星的大气特性

    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。

    Dec, 2023

  • 一种高效的基于顺序神经后验估计的无似然贝叶斯推断方法

    SNPE-B 是一种用于模拟为基础模型的顺序神经后验估计技术，本文提出了改进的方法，包括使用自适应校准核的集中损失函数和方差降低技术，以提高数据效率并加快学习过程。实验结果表明，我们的方法在某些任务上表现优于原始方法和其他竞争方法。

    Nov, 2023

  • 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

  • 高对比度光谱学中的机器学习用于外行星探测：将互相关图和深度学习应用于中分辨率整体场谱

    通过使用监督深度学习算法，将光谱和空间维度相结合，我们开发了一种新的方法，以提高积分场谱学（IFS）数据集的高对比度外行星的检测灵敏度。在将光谱维度转化为径向速度维度后，机器学习算法的真阳率受径向分离变化的影响较小，能够减少误报并提高对直接成像行星在 IFS 数据集中的检测限制。

    May, 2024

  • 利用卷积神经网络在高对比光谱中进行行星外行星检测：揭示交叉相关光谱中隐藏的分子特征

    利用机器学习和分子模板的交叉相关光谱方法提高对系外行星的检测灵敏度，为未来的望远镜和仪器开发提供支持。

    May, 2024

  • 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

  • 利用统计和深度学习模型结合多光谱数据，提高高对比度直接成像中外行星的检测

    该研究基于卷积神经网络，结合空间，时间和光谱特征，利用多次观测的图像数据中残留信号检测方法，有效提高了外行星探测的精度和召回率。

    Jun, 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