ExoLogica AI 2.0：JWST 光谱模拟器

ExoLogica AI 2.0：面向系外行星宜居性评估的天体物理流水线（集成JWST光谱合成）

ExoLogica AI 2.0 团队构建了一套涵盖14个关键环节的天体物理分析流水线，用于系统评估系外行星的宜居潜力——将机器学习与基于第一性原理的物理模型深度耦合。该系统可生成高保真度的詹姆斯·韦布空间望远镜（JWST）透射光谱，并在分布偏移（distribution shift）及域外（out-of-distribution, OOD）场景下对预测结果进行严苛验证。消融实验明确证实混合建模策略的优越性：平均绝对误差（MAE）从纯物理模型基线的7.054 M⊕显著降至3.998 M⊕（机器学习+物理联合建模）。

模型验证：消融实验与分布偏移鲁棒性测试

验证模块聚焦于类地岩石行星（半径 R < 6 R⊕，质量 M < 50 M⊕）的泛化能力。各方法性能对比如下：

• 纯物理模型（Chen & Kipping 2017）：MAE = 7.054 M⊕ —— 忽略大气与内部结构中的非线性效应。
• 纯XGBoost模型：MAE = 4.200 M⊕ —— 产出违背物理常识的密度值（例如，地球尺度行星密度高达 >15 g/cm³）。
• 混合ML+物理约束模型：MAE = 3.998 M⊕ —— 引入贝叶斯先验，有效抑制异常值并确保结果符合物理规律。

跨恒星光谱型的分布偏移测试揭示了模型鲁棒性的梯度变化：

• M型（红矮星）：MAE = 3.868 M⊕ —— 表现最优，得益于训练数据高度密集。
• K型：MAE = 4.141 M⊕。
• G型：MAE = 5.160 M⊕。
• F型：MAE = 8.039 M⊕ —— 出现域外失效：剧烈的光致蒸发效应在训练数据中表征不足。

不确定性校准在留出测试集上实现95%可信区间的90.8%覆盖率。域检查器（Domain Checker）通过Z-score阈值自动识别域外输入：轨道周期超过100天即触发置信度衰减机制。

14阶段物理引擎详解

该流水线完整模拟行星内部结构、大气剥蚀、磁层屏蔽及气候演化全过程。核心环节包括：

• 地球物理学建模：地核质量占比（f_core）遵循Zeng等（2016）模型，决定行星磁场发电机能否启动。
• 磁层建模：对比恒星风压（P_sw）与磁压（P_mag）（Vidotto等，2015）；若磁层顶半径 R_mp < 1 R_p，则触发大气剥蚀预警。
• 气体剥蚀建模：综合热逃逸（均方根速度 v_rms > 逃逸速度 v_esc/6）与流体动力学光致蒸发（Owen & Wu 2017），覆盖H₂、H₂O与CO₂三类关键气体。
• 气候建模：采用灰大气近似，结合邦德反照率（A）与红外光学深度（τ_IR）；地表温度（T_surf）由平衡温度（T_eq）推导得出。
• 贝叶斯质量先验：参数化为 M = α R^β 10^{γ [Fe/H]} e^{−δ t}。

最终输出的“持续宜居指数”（CHI）对潮汐锁定、磁层缺失及火山活动停滞等不利因素施加惩罚。仅当所有物理筛选条件均满足时，目标天体方可进入基于随机森林的宜居性打分阶段。

以TOI-700 d为例的全流程演示，清晰呈现了从输入行星半径与宿主恒星参数，到最终CHI评分的端到端工作流。

JWST光谱合成器：透射光谱建模

SpectralEngine模块依据经剥蚀建模验证后仍能稳定存续的大气成分，生成0.6–12 µm波段的高保真透射光谱。算法流程如下：

• 标尺高度计算：H = k_B T_surf / (μ g)。
• 半径-波长关系：R(λ) 基于HITRAN/ExoMol数据库的高斯谱线轮廓计算。
• 凌星光深：δ(λ) = [(R_p + z(λ)) / R_*]²，单位为ppm（百万分之一）。
• 叠加符合JWST NIRSpec与MIRI实际灵敏度曲线的1σ仪器噪声。

输出光谱可清晰识别水蒸气（H₂O）、甲烷（CH₄）、二氧化碳（CO₂）等潜在生物标志气体，其化学非平衡特征高度还原真实观测条件，为任务规划与观测目标优先级排序提供可靠支撑。

核心结论

• 机器学习与物理模型的混合架构，相较纯经验模型将MAE提升43%，并彻底消除域外幻觉（OOD hallucinations）。
• 域检查器与90.8%的可信区间覆盖率，共同保障预测结果的可信度与不确定性可量化性。
• 全14个物理环节（含大气剥蚀、磁层屏蔽、气候反馈等）使CHI指数比ESI等传统宜居性指标更具预测力。
• JWST光谱合成器直接输出可用于观测的光谱数据，显著加速望远镜机时分配与后续观测策略制定。
• 局限性：F型宿主恒星场景下性能下降，源于光致蒸发实测数据稀缺——凸显当前天文观测的关键空白。

— Editorial Team