論文の概要: Exoplanet atmosphere evolution: emulation with random forests

• arxiv url: http://arxiv.org/abs/2110.15162v1
• Date: Thu, 28 Oct 2021 14:39:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 22:30:31.118272
• Title: Exoplanet atmosphere evolution: emulation with random forests
• Title（参考訳）: 太陽系外惑星の大気進化:ランダム森林によるエミュレーション
• Authors: James G. Rogers, Cl\`audia Jan\'o Mu\~noz, James E. Owen and Richard A. Booth
• Abstract要約: 大気の質量損失は、小さな、密接な太陽系外惑星の人口動態を彫刻する上で重要な役割を果たしている。 我々は、ある惑星の最終半径と大気の質量を予測するために、大気の進化モデルに基づいて訓練されたランダムな森林を実装する。 我々の新しいアプローチは、人口統計学で使われている高度に洗練された大気進化モデルへの扉を開く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Atmospheric mass-loss is known to play a leading role in sculpting the demographics of small, close-in exoplanets. Understanding the impact of such mass-loss driven evolution requires modelling large populations of planets to compare with the observed exoplanet distributions. As the quality of planet observations increases, so should the accuracy of the models used to understand them. However, to date, only simple semi-analytic models have been used in such comparisons since modelling populations of planets with high accuracy demands a high computational cost. To address this, we turn to machine learning. We implement random forests trained on atmospheric evolution models, including XUV photoevaporation, to predict a given planet's final radius and atmospheric mass. This evolution emulator is found to have an RMS fractional radius error of 1$\%$ from the original models and is $\sim 400$ times faster to evaluate. As a test case, we use the emulator to infer the initial properties of Kepler-36b and c, confirming that their architecture is consistent with atmospheric mass loss. Our new approach opens the door to highly sophisticated models of atmospheric evolution being used in demographic analysis, which will yield further insight into planet formation and evolution.
• Abstract（参考訳）: 大気の質量損失は、小さな、密接な太陽系外惑星の人口動態を彫刻する上で重要な役割を果たしている。 このような質量損失による進化の影響を理解するには、観測された太陽系外惑星の分布と比較して、多数の惑星群をモデル化する必要がある。 惑星の観測の質が上がるにつれて、それらを理解するために使われたモデルの精度も高くなる。 しかし、高精度な惑星の集団のモデル化には高い計算コストが要求されるため、これまでは単純な半解析モデルのみがこのような比較に用いられてきた。 これに対処するために、私たちは機械学習に目を向ける。 我々は、xuv光蒸発を含む大気進化モデルに基づいて訓練されたランダムな森林を実装し、惑星の最終半径と大気質量を予測する。 この進化エミュレータは、元のモデルから RMS の分数半径誤差が 1$\%$ であり、評価の速度は $\sim 400$ である。 テストケースでは、エミュレータを用いてケプラー36bとcの初期特性を推定し、その構造が大気の質量損失と一致していることを確認する。 私たちの新しいアプローチは、人口統計分析で使われている高度に洗練された大気進化のモデルへの扉を開き、惑星の形成と進化に関するさらなる洞察を与えます。

関連論文リスト

• The Application of Machine Learning in Tidal Evolution Simulation of Star-Planet Systems [13.080151140004276]
  進化曲線を生成する速度は、モデル生成曲線を4桁以上上回る。 我々の研究は、重要な計算資源と時間を最小限の精度で節約する効率的な方法を提供する。
  論文  参考訳（メタデータ） (2024-08-29T02:09:19Z)
• Accelerating Giant Impact Simulations with Machine Learning [0.8325032895114773]
  観測された太陽系外惑星の人口に基づく惑星形成モデルの制約は、合成惑星系の大規模なサンプルを生成する必要がある。 重要なボトルネックは、惑星の胚が重力的に進化して惑星を形成する巨大な衝突フェーズをシミュレートすることである。 本稿では,多惑星系における衝突結果を予測する機械学習(ML)手法を提案する。
  論文  参考訳（メタデータ） (2024-08-16T17:59:46Z)
• OXYGENERATOR: Reconstructing Global Ocean Deoxygenation Over a Century with Deep Learning [50.365198230613956]
  既存の専門家が支配する数値シミュレーションは、地球温暖化や人的活動によって引き起こされる動的変動に追いつかなかった。 1920年から2023年までの世界の海洋脱酸素モデルを再構築するために,最初の深層学習モデルであるOxyGeneratorを提案する。
  論文  参考訳（メタデータ） (2024-05-12T09:32:40Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Revisiting mass-radius relationships for exoplanet populations: a machine learning insight [0.0]
  我々は効率的な機械学習手法を用いて、762個の太陽系外惑星と8個の太陽系外惑星からなるデータセットを解析した。 異なる教師なしクラスタリングアルゴリズムを適用することで、データを「小さい」惑星と「巨大な」惑星の2つの分類に分類する。 我々の分析は、惑星の質量、軌道周期、恒星質量が太陽系外惑星半径を予測する重要な役割を担っていることを強調している。
  論文  参考訳（メタデータ） (2023-01-17T19:15:06Z)
• Predictive World Models from Real-World Partial Observations [66.80340484148931]
  本研究では,現実の道路環境に対する確率論的予測世界モデル学習のためのフレームワークを提案する。 従来の手法では、学習のための基礎的真理として完全状態を必要とするが、HVAEが部分的に観察された状態のみから完全状態を予測することを学べる新しい逐次訓練法を提案する。
  論文  参考訳（メタデータ） (2023-01-12T02:07:26Z)
• Locating Hidden Exoplanets in ALMA Data Using Machine Learning [10.316742952272394]
  機械学習が惑星の存在を迅速かつ正確に検出できることを実証する。 我々はシミュレーションから生成された合成画像に基づいてモデルを訓練し、実際の観測に応用して、実際の系における形成惑星を同定する。
  論文  参考訳（メタデータ） (2022-11-17T14:02:16Z)
• Spatiotemporal modeling of European paleoclimate using doubly sparse Gaussian processes [61.31361524229248]
  計算負担を軽減するため,近年の大規模分散時間GPを構築した。 我々は,古気候の確率モデルを構築するために,この2倍のスパースGPをうまく利用した。
  論文  参考訳（メタデータ） (2022-11-15T14:15:04Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• JKOnet: Proximal Optimal Transport Modeling of Population Dynamics [69.89192135800143]
  入力凸ニューラルネットワーク(ICNN)を用いて解いた(小さな)最適変位と測定値のエネルギーモデルを組み合わせたニューラルアーキテクチャを提案する。 人口動態の説明と予測のためのモデルの適用性を実証する。
  論文  参考訳（メタデータ） (2021-06-11T12:30:43Z)
• Comparing Classification Models on Kepler Data [0.0]
  ケプラーの最初のミッションは機械的な故障で終了したが、ケプラー衛星はデータを収集し続けている。 分類モデルを用いて、外惑星が持つ特徴を理解し、それらの特徴を使ってさらなる調査を行うことができる。
  論文  参考訳（メタデータ） (2021-01-06T07:48:52Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。