論文の概要: Machine-learning clustering of close-in exoplanet populations: links to pebble accretion

• arxiv url: http://arxiv.org/abs/2606.11737v1
• Date: Wed, 10 Jun 2026 07:15:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-11 16:42:38.335108
• Title: Machine-learning clustering of close-in exoplanet populations: links to pebble accretion
• Title（参考訳）: 近縁系外惑星集団の機械学習クラスタリング--小石集積との関係
• Authors: Yi Duann, Anders Johansen, Haiyang S. Wang, H. Jens Hoeijmakers,
• Abstract要約: 物理的動機付けパラメータを用いた近日系外惑星の固有構造について検討する。 2段階のガウス混合モデルが観測された太陽系外惑星のサンプルに適用された。 得られたクラスターは、統計的に動機付けられた3次元パラメータ空間内の小石集積合成集団にマッピングされる。
• 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: Close-in exoplanets exhibit a wide range of orbital architectures and physical properties shaped by both formation conditions and migration processes. Although population-synthesis models predict distinct planetary populations, establishing a quantitative connection between observed exoplanets and synthetic populations remains challenging. We investigate the intrinsic organisation of close-in exoplanets using physically motivated dynamical parameters and connect the resulting populations to pebble-accretion formation pathways. A two-stage Gaussian mixture model (GMM) is applied to an observed sample of close-in exoplanets, performing unsupervised probabilistic clustering in a feature space dominated by dynamical descriptors of planet-star interactions. The resulting clusters are mapped onto a pebble-accretion synthetic population within a statistically motivated three-dimensional parameter space. Formation-related quantities, including gas availability, gas fraction, and ice-rock mass ratio, are then used to interpret the mapped populations. We identify statistically supported sub-populations without imposing predefined classification boundaries, including very-massive gas giants, hot giants, warm-Jupiter-dominated systems, and lower-mass giants. The mapped synthetic populations reveal systematic differences in formation timing, gas accretion, and solid growth histories. In particular, very-massive gas giants are preferentially associated with earlier formation epochs than hot-giant and warm-Jupiter-dominated populations. These results demonstrate that physically motivated machine-learning approaches can provide a statistically robust framework for linking observed exoplanet populations to theoretical planet formation pathways.
• Abstract（参考訳）: 閉じた太陽系外惑星は、形成条件と移動過程の両方によって形成される幅広い軌道構造と物理的性質を示す。 個体群合成モデルは異なる惑星群を予測するが、観測された太陽系外惑星と合成個体群の間の定量的な関係を確立することは依然として困難である。 本研究では, 物理的動機付けされた動的パラメータを用いて, 密接な太陽系外惑星の内在的な構造を解明し, 結果としての個体群を小石集積形成経路に結びつける。 2段階のガウス混合モデル(GMM)が観測された太陽系外惑星のサンプルに適用され、惑星と恒星の相互作用の動的記述子によって支配される特徴空間において教師なし確率的クラスタリングを行う。 得られたクラスターは、統計的に動機付けられた3次元パラメータ空間内の小石集積合成集団にマッピングされる。 ガスの可利用性、ガス分率、氷岩質量比などの生成関連量を用いて、マッピングされた人口を解釈する。 超大質量ガス巨人,ホット・ジャイアント,暖水ジュピター支配系,低質量巨大など,既定の分類境界を課すことなく,統計的に支持されたサブ集団を同定した。 マッピングされた合成個体群は, 形成時期, ガス蓄積時期, 固形成長史の系統的差異を明らかにした。 特に、非常に質量の多いガス巨人は、温暖でジュピターが支配する集団よりも、初期の形成期と優先的に関連している。 これらの結果は、物理的に動機付けられた機械学習アプローチが、観測された太陽系外惑星の個体群と理論的な惑星形成経路を結びつける統計的に堅牢な枠組みを提供することを示した。

関連論文リスト

• The Universe Learning Itself: On the Evolution of Dynamics from the Big Bang to Machine Intelligence [8.723426955657343]
  我々は、ビッグバンから現代人類社会やその人工学習システムまで、構造形成の連続的な連鎖を辿る宇宙の統一された動的システム物語を開発する。 宇宙論、天体物理学、地球物理学、生物学、認知、機械知能を非結合領域として扱うのではなく、我々はそれぞれを、より豊かな状態空間における力学の連続的なレギュレーションと見なしている。
  論文  参考訳（メタデータ） (2025-12-18T13:28:02Z)
• Observation of non-Hermitian topology in cold Rydberg quantum gases [42.41909362660157]
  我々は,非エルミートスペクトルトポロジーを散逸性Rydberg原子気体中で実験的に実証した。 相互作用強度を増大させることで、系はエルミート系から非エルミート系へと進化する。 この研究は、非エルミート位相、強い相互作用、散逸性量子力学の間のリッチな相互作用を探索するための多用途プラットフォームとして、コールド・リドバーグ気体を確立している。
  論文  参考訳（メタデータ） (2025-09-30T13:44:43Z)
• Homogeneous Dynamics Space for Heterogeneous Humans [47.25261301948023]
  ホモジニアス・ダイナミクス・スペース(HDyS)は、異種データを集約し、逆フォワード・ダイナミックス法からインスピレーションを得て、均質な潜在空間を訓練することにより、人間のダイナミクスの基本空間である。 広汎な実験と応用によるHDySの実現可能性を示す。
  論文  参考訳（メタデータ） (2024-12-09T01:59:40Z)
• Reconstructing Atmospheric Parameters of Exoplanets Using Deep Learning [9.735933075230069]
  本稿では,マルチモーダルアーキテクチャ内での深層学習と逆モデリング技術を組み合わせて,外惑星からの大気パラメータを抽出する多目的確率回帰手法を提案する。 我々の手法は計算の限界を克服し、以前の手法よりも優れており、惑星外大気の効率的な分析を可能にしている。
  論文  参考訳（メタデータ） (2023-10-02T14:16:04Z)
• 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)
• 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)
• 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)
• Dynamical solitons and boson fractionalization in cold-atom topological insulators [110.83289076967895]
  Incommensurate densities において $mathbbZ$ Bose-Hubbard モデルについて検討する。 我々は、$mathbbZ$フィールドの欠陥が基底状態にどのように現れ、異なるセクターを接続するかを示す。 ポンピングの議論を用いて、有限相互作用においても生き残ることを示す。
  論文  参考訳（メタデータ） (2020-03-24T17:31:34Z)

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。