ExoLogica AI 2.0: astrofizyczny potok przetwarzania z symulatorem widm JWST dla egzoplanet
Zespół tworzący ExoLogica AI 2.0 opracował 14-etapowy potok oceny nadających się do zamieszkania egzoplanet, łącząc uczenie maszynowe z modelami astrofizycznymi. System generuje syntetyczne widma przechodzenia dla teleskopu JWST i weryfikuje swoje prognozy w scenariuszach przesunięcia rozkładu (distribution shift) oraz poza rozkładem treningowym (OOD). Badanie ablacji potwierdza przewagę hybrydowego podejścia: błąd bezwzględny średni (MAE) spada z 7,054 M⊕ (tylko dane empiryczne) do 3,998 M⊕ (ML + fizyka).
Walidacja modelu: badanie ablacji i przesunięcie rozkładu
Moduł walidacji testuje zdolność uogólniania na skalistych planetach (R < 6 R⊕, M < 50 M⊕). Porównanie podejść:
- Tylko fizyka (Chen & Kipping 2017): MAE = 7,054 M⊕ — ignoruje nieliniowe efekty.
- Czysty XGBoost: MAE = 4,200 M⊕ — generuje nierealistyczne gęstości.
- Hybryda ML + fizyka z ograniczeniem (clip): MAE = 3,998 M⊕ — bayesowskie priors eliminują anomalie.
Test przesunięcia rozkładu według klas widmowych gwiazd:
- Klasa M (czerwone karły): MAE = 3,868 M⊕.
- Klasa K: MAE = 4,141 M⊕.
- Klasa G: MAE = 5,160 M⊕.
- Klasa F: MAE = 8,039 M⊕ (OOD z powodu fotoewaporacji).
Kalibracja niepewności wykazuje pokrycie 90,8 % przedziału ufności 95 % na zbiorze testowym. Moduł Domain Checker wykorzystuje wartość Z-score do identyfikacji przypadków OOD: okres orbitalny >100 dni obniża wskaźnik pewności (confidence score).
14-etapowy silnik fizyczny
Potok modeluje budowę wewnętrzną, erozję atmosfery i warunki klimatyczne. Kluczowe etapy:
- Geofizyka: Udział jądra (fcore) wg Zeng et al. (2016) determinuje działanie dynamo magnetycznego.
- Magnetosfera: Ciśnienie wiatru gwiazdy (Psw) vs. ciśnienie magnetyczne (Pmag) wg Vidotto et al. (2015); Rmp < 1 Rp — sygnał erozji.
- Erozja gazów: Mechanizm Dżinsa (vrms > vesc/6) oraz fotoewaporacja hydrodynamiczna (Owen & Wu 2017) dla H₂, H₂O i CO₂.
- Klimat: Model „szarej atmosfery” z albedo (A) i grubością optyczną w podczerwieni (τIR); temperatura powierzchniowa (Tsurf) wyliczana z równowagowej temperatury planety (Teq).
- *Bayesowski prior***: M = α R^β 10^{γ [Fe/H]} e^{-δ t}.
Finalny indeks CHI karze za zablokowanie pływowe, brak magnetosfery i aktywność wulkaniczną. Tylko obiekty spełniające kryteria analizuje las losowy (Random Forest).
Przykład analizy TOI-700 d ilustruje sekwencyjne obliczenia — od masy po indeks CHI.
Symulator widm JWST: spektroskopia przechodzenia
SpectralEngine generuje widma przechodzenia (0,6–12 µm) na podstawie gazów przetrwałych w atmosferze. Algorytm:
- Skala wysokości atmosfery: H = k_B T_surf / (μ g).
- Promień planety w funkcji długości fali R(λ) z gaussowskimi przekrojami (HITRAN/ExoMol).
- Głębokość tranzytu: δ(λ) = [(R_p + z(λ))/R_*]^2 w ppm.
- Dodanie szumu JWST na poziomie 1σ.
Widma pozwalają wykrywać biosygnatury (H₂O, CH₄, CO₂) poprzez analizę chemicznego nierównowagowego stanu, symulując rzeczywiste obserwacje.
Kluczowe wnioski
- Hybryda ML+fizyka poprawia MAE o 43 % względem podejścia czysto empirycznego i eliminuje anomalie OOD.
- Domain Checker oraz pokrycie przedziału ufności na poziomie 90,8 % zapewniają wiarygodność prognoz.
- 14 etapów modeluje erozję, magnetosferę i klimat; indeks CHI jest dokładniejszy niż ESI.
- Symulator JWST generuje realistyczne widma wspierające planowanie obserwacji.
- Ograniczenia: słabsza wydajność dla klas F z powodu niedoboru danych dotyczących fotoewaporacji.
— Editorial Team
Brak komentarzy.