条件付き可逆ニューラルネットワークを用いた太陽系外惑星のキャラクタリゼーション【JST・京大機械翻訳】

Haldemann Jonas; Ksoll Victor; Walter Daniel; Alibert Yann; Klessen Ralf S.; Benz Willy; Koethe Ullrich; Ardizzone Lynton; Rother Carsten

プレプリント

J-GLOBAL ID：202202219318837240 整理番号：22P0282639

条件付き可逆ニューラルネットワークを用いた太陽系外惑星のキャラクタリゼーション【JST・京大機械翻訳】

Exoplanet Characterization using Conditional Invertible Neural Networks

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2022年01月31日プレプリントサーバーでの情報更新日： 2022年01月31日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

外惑星の内部の特徴付けは逆問題であり,解くためにBayes推論のような統計的方法を必要とする。現在の方法は,与えられた外惑星に対する惑星構造パラメータの事後確率を推論するために,Markov連鎖モンテカルロ(MCMC)サンプリングを採用した。これらの方法は,多数の惑星構造モデルの計算を必要とするので,時間がかかる。外惑星を特徴付けるとき推論プロセスをスピードアップするために,著者らは,内部構造パラメータ(cINNs)の事後確率を計算するため,条件付き可逆ニューラルネットワーク(cINNs)を使用することを提案し,逆問題を解く際に優れているニューラルネットワークの特殊型である。FrEIAを用いてcINNを構築し,次に,5.6.10 ̄6内部構造モデルのデータベース上で訓練し,内部構造パラメータと観察可能な特徴(すなわち,惑星質量,惑星半径およびホスト星の組成)間の逆マッピングを回復した。cINN法をMetroolis-Hastings MCMCと比較した。MCMC法と訓練されたcINNの両方を用いて,外惑星K2-111bの特性化を繰り返した。両方法からの内部構造パラメータの推測された事後確率は非常に類似していることを示し,外惑星の含水量において最大の差が見られた。したがって,cINNsは標準時間消費サンプリング法に対する可能な代替法である。事実,cINNを用いることにより,MCMC法を用いて可能なものよりも,exoplantの組成がより迅速に推論できるが,cINNを訓練するための内部構造の大きなデータベースの計算が必要である。このデータベースは一度だけ計算されるので,同じcINNを用いて10以上の外惑星が特徴付けられるとき,cINNの使用がMCMCよりも効率的であることを見出した。【JST・京大機械翻訳】

, , , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

惑星 , 地磁気変動・脈動 , 太陽系一般

, ,

前のページに戻る