論文の概要: ExoMDN: Rapid characterization of exoplanet interior structures with
Mixture Density Networks
- arxiv url: http://arxiv.org/abs/2306.09002v1
- Date: Thu, 15 Jun 2023 10:00:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-16 15:25:07.746085
- Title: ExoMDN: Rapid characterization of exoplanet interior structures with
Mixture Density Networks
- Title（参考訳）: ExoMDN:混合密度ネットワークを用いた太陽系外惑星内部構造の迅速評価
- Authors: Philipp Baumeister and Nicola Tosi
- Abstract要約: 太陽系外惑星の内在性評価のための機械学習モデルであるExoMDNを提案する。
ExoMDNは、標準のIntel i5 CPU上で、各惑星層の質量分率と厚さの完全な後部分布を1秒以下で実現できることを示す。
我々はエクソMDNを用いて、質量と半径の不確かさがそれぞれ10%と5%以下である22個の確認された太陽系外惑星の内部を特徴付ける。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Characterizing the interior structure of exoplanets is essential for
understanding their diversity, formation, and evolution. As the interior of
exoplanets is inaccessible to observations, an inverse problem must be solved,
where numerical structure models need to conform to observable parameters such
as mass and radius. This is a highly degenerate problem whose solution often
relies on computationally-expensive and time-consuming inference methods such
as Markov Chain Monte Carlo.
We present ExoMDN, a machine-learning model for the interior characterization
of exoplanets based on Mixture Density Networks (MDN). The model is trained on
a large dataset of more than 5.6 million synthetic planets below 25 Earth
masses consisting of an iron core, a silicate mantle, a water and high-pressure
ice layer, and a H/He atmosphere. We employ log-ratio transformations to
convert the interior structure data into a form that the MDN can easily handle.
Given mass, radius, and equilibrium temperature, we show that ExoMDN can
deliver a full posterior distribution of mass fractions and thicknesses of each
planetary layer in under a second on a standard Intel i5 CPU. Observational
uncertainties can be easily accounted for through repeated predictions from
within the uncertainties. We use ExoMDN to characterize the interior of 22
confirmed exoplanets with mass and radius uncertainties below 10% and 5%
respectively, including the well studied GJ 1214 b, GJ 486 b, and the
TRAPPIST-1 planets. We discuss the inclusion of the fluid Love number $k_2$ as
an additional (potential) observable, showing how it can significantly reduce
the degeneracy of interior structures. Utilizing the fast predictions of
ExoMDN, we show that measuring $k_2$ with an accuracy of 10% can constrain the
thickness of core and mantle of an Earth analog to $\approx13\%$ of the true
values.
- Abstract（参考訳）: 太陽系外惑星の内部構造の特徴は、その多様性、形成、進化を理解する上で不可欠である。
太陽系外惑星の内部は観測にはアクセスできないため、質量や半径などの観測可能なパラメータに数値構造モデルが従わなければならない逆問題を解く必要がある。
これは非常に退化的な問題であり、マルコフ・チェイン・モンテカルロのような計算的・時間的推測手法にしばしば依存する。
混合密度ネットワーク(MDN)に基づく太陽系外惑星の内部特性解析のための機械学習モデルであるExoMDNを提案する。
このモデルは、鉄核、ケイ酸塩マントル、水と高圧の氷層、h/he雰囲気からなる25地球質量以下の560万以上の合成惑星の大規模なデータセットで訓練されている。
我々は,内部構造データをmdnが容易に処理できる形式に変換するためにlog-ratio変換を用いる。
質量、半径、平衡温度が与えられた場合、ExoMDNは標準のIntel i5 CPU上で各惑星層の質量分率と厚さの完全な後部分布を1秒以下で実現できることを示す。
観測の不確実性は、不確実性内からの繰り返し予測によって容易に説明できる。
我々は、よく研究されたGJ 1214 b, GJ 486 b, TRAPPIST-1惑星を含む、質量と半径の不確かさが10%以下の22個の太陽系外惑星の内部を特徴付けるためにExoMDNを使用する。
流体のラブ数 $k_2$ を(潜在的に)観測可能な追加として含めることについて議論し、内部構造の縮退を著しく低減できることを示す。
ExoMDNの高速予測を利用して、10%の精度で$k_2$を測定することで、地球アナログのコアとマントルの厚さを、真の値の$\approx13\%$に制限できることを示す。
関連論文リスト
- Estimating Exoplanet Mass using Machine Learning on Incomplete Datasets [1.6231541773673115]
発見されている惑星の70%以上が、測定された惑星の質量を持っていない。
提案手法は,惑星質量の計算に欠落した特性を推定するために,機械学習アルゴリズムを用いる方法を示す。
論文 参考訳（メタデータ） (2024-10-09T14:19:33Z) - NeuralCMS: A deep learning approach to study Jupiter's interior [0.0]
本稿では,高精度広範囲内部モデルを生成するために,効率的なディープニューラルネットワーク(DNN)モデルを提案する。
我々は、木星の4層内部モデルのための大きなCMS結果の集合を用いた共有ベースのDNNを訓練した。
ニューラルCMSは重力モーメントの予測において非常に優れた性能を示し、差動回転による不確実性に匹敵する誤差と非常に正確な質量予測を示す。
論文 参考訳（メタデータ） (2024-05-15T10:55:16Z) - DBNets: A publicly available deep learning tool to measure the masses of
young planets in dusty protoplanetary discs [49.1574468325115]
我々は、原始惑星系円盤から埋め込まれたとされる惑星の質量を素早く推定するDBNetsを開発した。
アウト・オブ・ディストリビューション・データでツールを広範囲にテストしました。
DBNetはトレーニング範囲外において、特定のしきい値以上の不確実性を返す入力を強く識別することができる。
光学的に薄い状態において、約60deg以下の傾斜で観測された円盤にのみ確実に適用することができる。
論文 参考訳（メタデータ） (2024-02-19T19:00:09Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - 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) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - Exoplanet Characterization using Conditional Invertible Neural Networks [21.516242058639637]
条件付き可逆ニューラルネットワーク(英: Conditional Invertible Neural Network, CINN)は、逆問題の解法に優れた特殊なタイプのニューラルネットワークである。
我々は,cINNsが標準的な時間的サンプリング手法の代替となる可能性を示す。
論文 参考訳（メタデータ） (2022-01-31T19:00:06Z) - Unsupervised Spectral Unmixing For Telluric Correction Using A Neural
Network Autoencoder [58.720142291102135]
本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
論文 参考訳（メタデータ） (2021-11-17T12:54:48Z) - Exoplanet atmosphere evolution: emulation with random forests [0.0]
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。
論文 参考訳（メタデータ） (2021-10-28T14:39:19Z) - Relativistic aspects of orbital and magnetic anisotropies in the
chemical bonding and structure of lanthanide molecules [60.17174832243075]
本研究では, 重同族ランタノイドEr2およびTm2分子の電子的およびロ-振動状態について, 最先端相対論的手法を適用して検討した。
我々は、91のEr2と36のTm2電子ポテンシャルを2つの基底状態原子に解離させることで、信頼できるスピン軌道と相関による分裂を得ることができた。
論文 参考訳（メタデータ） (2021-07-06T15:34:00Z) - Probing chiral edge dynamics and bulk topology of a synthetic Hall
system [52.77024349608834]
量子ホール系は、基礎となる量子状態の位相構造に根ざしたバルク特性であるホール伝導の量子化によって特徴づけられる。
ここでは, 超低温のジスプロシウム原子を用いた量子ホール系を, 空間次元の2次元形状で実現した。
磁気サブレベルが多数存在すると、バルクおよびエッジの挙動が異なることが示される。
論文 参考訳（メタデータ） (2020-01-06T16:59:08Z)
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。