論文の概要: Graph neural networks for exoplanet atmospheres

• arxiv url: http://arxiv.org/abs/2609.17894v1
• Date: Tue, 15 Sep 2026 22:37:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.557221
• Title: Graph neural networks for exoplanet atmospheres
• Title（参考訳）: 太陽系外惑星大気のグラフニューラルネットワーク
• Abstract要約: 本研究では,化学種をノードとし,温度依存反応速度をエッジとするグラフニューラルネットワークサロゲートを提案する。 このモデルは、Venot+2020ケミカルスキームとGuillot温度-圧力プロファイルを用いて生成された大気に基づいて訓練されている。 ほとんどの予測は、JWSTとアリエルが予想する観測精度の範囲内にあり、テスト大気の約7%が平均スペクトル誤差20ppmを超えている。
• 参考スコア（独自算出の注目度）: 0.6806596624857771
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Calculating disequilibrium chemistry in exoplanet atmospheres remains a significant computational bottleneck in atmospheric retrievals. The increasing observational precision from facilities such as JWST and the Ariel mission requires including disequilibrium chemistry in these analyses. Previous studies have demonstrated that neural networks can emulate kinetic chemistry, although their spatial inductive bias does not align with the topology of chemical reaction networks. This study introduces a graph neural network surrogate that represents chemical species as nodes and temperature-dependent reaction rates as edges, thereby enabling information propagation along physically meaningful chemical pathways. The model is trained on atmospheres generated using the Venot+2020 chemical scheme and Guillot temperature-pressure profiles. The GNN accurately reconstructs disequilibrium abundances across the sampled parameter space and reduces the mean abundance error by a factor of approximately 3 compared to the previous U-Net model. When applied to transmission spectra, most predictions fall within the observational precision expected for JWST and Ariel, with only about 7% of test atmospheres exceeding a 20 ppm mean spectral error. Performance variations are primarily observed in chemically transitional regimes near a carbon-to-oxygen ratio of one and at low temperatures. An evaluation of the boundary-case planet WASP-39b demonstrates effective performance under a moderate domain shift. Perturbation analysis indicates that disturbances propagate along chemical connectivity rather than spatial adjacency, confirming that the architecture captures the structure of reaction networks. These results suggest that GNN surrogates provide accurate, computationally efficient predictions of disequilibrium chemistry, facilitating integration into the atmospheric retrieval pipeline.
• Abstract（参考訳）: 太陽系外惑星大気における不平衡化学の計算は、大気の回収において重要な計算ボトルネックとなっている。 JWSTやアリエル計画のような施設からの観測精度の向上には、これらの分析に不平衡化学を含める必要がある。 従来の研究では、ニューラルネットワークは化学反応ネットワークのトポロジーと一致しないが、その空間誘導バイアスは運動化学をエミュレートできることを示した。 本研究では, 化学種をノードとして, 温度依存反応速度をエッジとして表現し, 物理的に意味のある化学経路に沿って情報伝達を可能にするグラフニューラルネットワークサロゲートを提案する。 このモデルは、Venot+2020ケミカルスキームとGuillot温度-圧力プロファイルを用いて生成された大気に基づいて訓練されている。 GNNはサンプリングされたパラメータ空間全体の不均衡量を正確に再構成し、前のU-Netモデルと比較して平均不均衡誤差を約3倍に削減する。 透過スペクトルに適用した場合、ほとんどの予測はJWSTとアリエルが予想する観測精度の範囲内に収まる。 性能の変化は、主に1と低温の炭素-酸素比に近い化学遷移状態において観察される。 境界ケース惑星WASP-39bの評価は、適度な領域シフトの下で有効な性能を示す。 摂動解析は、乱れが空間的隣接性ではなく化学接続に沿って伝播し、構造が反応ネットワークの構造を捉えることを示すことを示している。 これらの結果は,GNNサロゲートが不平衡化学の精度,計算効率のよい予測を提供し,大気循環パイプラインへの統合を促進することを示唆している。

関連論文リスト

• Ordered-to-disordered transfer learning with graph neural networks for formation-energy and HOMO-LUMO gap prediction in high-entropy perovskite oxides [0.0]
  HEPOにおける生成エネルギーとHOMO-LUMOギャップ予測のためのグラフニューラルネットワーク(GNN)を用いた秩序-秩序間移動学習について検討した。 CGCNN、GATGNN、ALIGNN、M3GNetの4つの代表型GNNモデルを評価し、構造表現の役割を理解する。 一方, HOMO-LUMOギャップ予測は, 局所化学環境に敏感なため, 移動性に制限があることを示す。
  論文  参考訳（メタデータ） (2026-07-31T15:13:32Z)
• Toward Mechanistic Interpretability of an AI Foundation Model Fine-Tuned for Atmospheric Chemistry [0.0]
  天気予報基礎モデル(FM)は、大気の質を予測するために微調整されている。 大気化学のために微調整されたFMが、Microsoftのオーロラモデルを調べることで何を学んだかについて、最初の研究結果を示す。 オーロラは反応窒素に対する1次オゾン反応を捕捉するが、プロセスベースモデルが符号化する化学的な制約を強制しない。
  論文  参考訳（メタデータ） (2026-07-22T23:00:02Z)
• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
  Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。 OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。 ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2026-02-20T18:58:43Z)
• ChemHGNN: A Hierarchical Hypergraph Neural Network for Reaction Virtual Screening and Discovery [19.298076697406977]
  ChemHGNNはハイパーグラフニューラルネットワークフレームワークで、反応ネットワーク内の高次関係をキャプチャする。 我々の研究は、反応の仮想スクリーニングと発見のためのGNNの優れた代替品としてHGNNを確立し、反応の発見を加速するための化学的に情報を得たフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-05-21T04:58:25Z)
• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)
• AI-driven Hypergraph Network of Organic Chemistry: Network Statistics and Applications in Reaction Classification [0.0]
  我々は、標準の反応データセットを使用してハイパーネットワークを構築し、その統計を報告する。 また、反応の等価なグラフ表現に対して各統計量を計算し、平行線を描画し、相違点を強調する。 ハイパーネットワーク表現は柔軟性があり、反応コンテキストを保持し、隠れた洞察を明らかにする。
  論文  参考訳（メタデータ） (2022-08-02T14:12:03Z)
• Graph Neural Networks for Temperature-Dependent Activity Coefficient Prediction of Solutes in Ionic Liquids [58.720142291102135]
  IL中の溶質の温度依存性無限希釈交流を予測するためのGNNを提案する。 我々は、GNNを4万以上のAC値を含むデータベース上でトレーニングし、最先端のMCMと比較する。 GNNとMCMも同様に高い予測性能を達成し、GNNはトレーニング中に考慮されていないILと溶質を含む溶液のACに対して高品質な予測を可能にする。
  論文  参考訳（メタデータ） (2022-06-23T15:27:29Z)
• Ill-posed Surface Emissivity Retrieval from Multi-Geometry HyperspectralImages using a Hybrid Deep Neural Network [0.0]
  大気補正はリモートセンシングの基本的な課題である。 マルチスキャンハイパースペクトルデータを用いた自動大気補正のために,幾何依存型ハイブリッドニューラルネットワークを提案する。 その結果,提案ネットワークは,29の異なる物質に対して0.02以下の平均絶対誤差 (MAE) で大気特性を正確に評価し,目標放射率スペクトルを推定する能力を有することがわかった。
  論文  参考訳（メタデータ） (2021-07-09T18:59:58Z)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)

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。