机构名称：
¥ 1.0
上下文。将外部大气的观察结果解释为限制物理和化学特性，通常是对贝叶斯检索技术进行的。由于这些方法需要许多模型计算，因此必须在模型的复杂性和运行时间之间做出妥协。实现这一折衷会导致许多物理和化学过程的简化（例如参数化温度结构）。目标。在这里，我们实施和测试顺序神经后估计（SNPE），这是一种用于系外行星的机器学习推理算法。目标是加快检索的速度，以便可以使用更昂贵的大气模型进行运行，例如那些使用辐射转移计算温度结构的模型。方法。我们使用外部科学（ARCIS）的精巧建模代码生成了100个合成观测，该代码是一种具有大气形的建模代码，具有远距离的功能，可以在不同程度的复杂性上计算模型，并在其上进行检索以测试SNPE后代的忠诚。忠诚量化了后者是否会像我们预期的那样经常包含地面真理。我们还使用Arcis的自洽功能对凉爽的棕色矮人进行了合成观察，并通过自洽模型进行了检索，以展示SNPE打开的可能性。结果。我们发现，SNPE提供了忠实的后代，因此是系外运动大气检索的可靠工具。我们已在GitHub上公开为社区公开使用代码。我们只能使用仅50 000个正向模型评估来运行合成棕色矮人光谱的自洽检索。我们发现，SNPE可以根据向前模型的计算负载，观察力的维度及其信噪比（S / N）加快〜2×和≥10倍之间的速度。
floppity：通过机器学习启用自洽的大气检索
主要关键词
相关文件推荐
