【菜科解读】

机器学习揭开系外行星内部结构之谜

近年来，随着天文观测技术的进步，我们对系外行星的认识不断深化，探索已从发现转向深入研究其内部结构和大气，以寻找适宜人类居住的行星。

澳门科技大学月球与行星科学国家重点实验室的倪冬冬副教授和赵勇助理教授研究团队，利用机器学习技术，在这一领域取得了重要突破。

该团队的研究成果表明，混合密度网络（Mixture Density Network，MDN）在预测岩石系外行星和气态巨行星内部结构中具有强大潜力，为系外行星研究带来了全新视角。

从岩石行星到气态巨行星：机器学习应用的初探

了解岩石系外行星的内部结构是研究其宜居性的重要目标之一。

行星的核心热状态及表面水含量等因素直接决定其宜居条件。

传统上，研究人员使用质量-半径曲线来推断行星的内部结构，但这种方法存在简并性且计算复杂耗时。

该团队提出了一种基于MDN的机器学习模型，通过质量、半径和水含量快速预测行星径向结构和核心热状态。

MDN模型只需几毫秒即可得出预测结果，极大提高了效率。

相比于岩石行星，气态巨行星的内部热状态表现出巨大的多样性，面对这种挑战，该团队利用两层内部结构模型生成的数据训练了MDN模型，成功通过质量、半径和表面温度预测0.1到10个木星质量的气态巨行星的总重元素质量、固有有效温度及核心包层边界的温度和压力。

这不仅扩展了MDN模型的应用范围，也为理解气态巨行星的形成过程和内部结构提供了新视角。

倪冬冬副教授

赵勇助理教授

研究团队利用MDN模型成功实现对岩石系外行星和气态巨行星内部结构的预测，并在最新的研究中证明了MDN模型与MCMC方法预测结果的一致性，同时MDN模型具有更高的效率和易用性。

综合观测数据：多参数约束下的内部结构推断

为了减小内部结构的简并程度，该团队探讨了其他重要观测量（如恒星耐热元素丰度比和潮汐效应）作为机器学习模型输入特征的可能性，并进一步完善了MDN模型。

在新的研究中，他们利用多个观测参数（如行星质量、半径、耐热元素丰度比Fe/ Mg + Si、潮汐洛夫数）训练了新的机器学习模型，大大提高了预测行星核心热力学环境、幔层厚度和可能水冰含量的精度。

机器学习与贝叶斯反演对比：效率与准确性的平衡

贝叶斯反演算法在推断系外行星内部结构方面取得了成功，但其计算复杂且耗时。

该研究团队最新的研究结果表明，MDN机器学习模型不仅能够快速提供内部结构预测，其精度在多数情况下与贝叶斯方法相当。

MDN模型展示出高效计算优势，对于单个行星的结构推断可在1秒内完成，远快于贝叶斯方法所需的数小时或数天。

此外，MDN模型适应性强，一旦训练完毕，即使面对新的观测数据，也能高效准确地表征行星内部结构。

随着詹姆斯·韦伯太空望远镜的成功运行，系外行星的探测精度不断提高，新的观测数据也不断涌现。

机器学习技术能够快速解读这些新数据，对理解系外行星的形成过程和演化历史具有重要意义，有望进一步揭示宇宙中潜在的宜居世界。

以上研究得到澳门科学技术发展基金（0005/2019/A1、0002/2019/APD和0048/2020/A1）、澳门科技大学教师科研基金（FRG-23-005-SSI）、国家自然科学基金优秀青年科学基金（12022）和中国国家航天局民用航天技术预研究项目（D020308和D020303）的资助。

参考文献：

Yong Zhao et al., Comparison of machine-learning and bayesian inferences for the interior of rocky exoplanets with large compositional diversity, ApJS, 2024.

Yong Zhao et al., Machine-learning Inferences of the Interior Structure of Rocky Exoplanets from Bulk Observational Constraints, ApJS, 2023.

Yong Zhao and Dongdong Ni, Understanding the interior structure of gaseous giant exoplanets with machine learning techniques, A&A, 2022.

Yong Zhao and Dongdong Ni, Machine learning techniques in studies of the interior structure of rocky exoplanets, A&A, 2021.

声明：本文内容仅代表作者个人观点，与本站立场无关。

如有内容侵犯您的合法权益，请及时与我们联系，我们将第一时间安排处理