Deduzione delle proprietà atmosferiche esoplanetarie attraverso la corrispondenza del flusso e il campionamento del significato neurale

Deduzione delle proprietà atmosferiche esoplanetarie attraverso la corrispondenza del flusso e il campionamento del significato neurale

Lo spettro di emissione simulato e il profilo di pressione e temperatura corrispondenti a θ0 (ovvero il nostro caso standard). L’area ombreggiata indica le barre di errore di 1σ che abbiamo assunto come probabilità, sia per il campionamento sovrapposto che per la generazione dei dati di addestramento. — Ph.IM astronomico

I recuperi atmosferici (AR) caratterizzano gli esopianeti stimando i parametri atmosferici dagli spettri di luce osservati, tipicamente inquadrando l’attività come un problema di inferenza bayesiana. Tuttavia, i metodi tradizionali come il campionamento annidato sono computazionalmente costosi, il che aumenta l’interesse per le soluzioni basate sull’apprendimento automatico (ML).

In questo lavoro in corso, esploriamo innanzitutto la stima retrospettiva con corrispondenza del flusso (FMPE) come un nuovo metodo basato sull’apprendimento automatico per la realtà aumentata e scopriamo che, nel nostro caso, è più accurata della stima back-end neurale (NPE), ma meno accurato del campionamento incrociato. Combiniamo quindi sia FMPE che NPE con il campionamento degli interessi, nel qual caso entrambi i metodi superano il campionamento annidato in termini di accuratezza ed efficienza di simulazione.

Andando avanti, la nostra analisi suggerisce che l’inferenza basata sulla simulazione con campionamento di importanza basato sulla probabilità fornisce un quadro per una realtà aumentata accurata ed efficiente che può diventare uno strumento prezioso non solo per analizzare i dati osservativi dei telescopi esistenti, ma anche per lo sviluppo di nuovi telescopi. Missioni e strumenti.

Timoteo D. Gebhard, Jonas Wildberger, Maximilian Dachs, Daniel Angerhausen, Sascha B. Cowans, Bernhard Schölkopf

Commenti: Accettato al workshop “Artificial Intelligence to Accelerate Science and Engineering (AI2ASE)” presso AAAI 2024
Argomenti: Strumenti e Metodi Astrofisici (astro-ph.IM); Astrofisica terrestre e planetaria (astro-ph.EP); Apprendimento automatico (cs.LG)
Citare come: arXiv:2312.08295 [astro-ph.IM] (Oppure arXiv:2312.08295v1 [astro-ph.IM] per questa versione)
Data di presentazione
Da: Timothy D. Gebhard
[v1] Mercoledì 13 dicembre 2023, 17:12:03 UTC (3.782 KB)
https://arxiv.org/abs/2312.08295

READ  I cibi vegetali spazzatura causano malattie cardiache?

Astrobiologia

Explorers Club Fellow, ex direttore del carico utile della Stazione Spaziale degli Stati Uniti/astrobiologo, ExoTeams, giornalista, Violator Climber, Synaesthete, Na’Vi-Jedi-Freman-Buddhist-mix, ASL, Devon Island e veterano del campo base dell’Everest, (lui/lui) 🖖 🏻

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *