Understanding Exoplanet Habitability: A Bayesian ML Framework for Predicting Atmospheric Absorption Spectra
Vasuda Trehan, Kevin H. Knuth, M. J. Way
近年来,由人工智能(AI)和机器学习(ML)等计算技术的进步推动,太空技术的发展深刻地改变了我们探索宇宙的能力。 像詹姆斯·韦伯太空望远镜(JWST)这样的任务使有关遥远物体的信息更容易获得,从而产生了大量有价值的数据。 作为这项正在进行的研究的一部分,我们正在努力为系外行星创建一个大气吸收光谱预测模型。 最终的模型将基于NASA戈达德太空研究所(GISS)的气候建模计划开发的ROCKE-3D一般环流模型(GCM)收集的观测光谱和合成光谱数据。 在这项初步研究中,绞线曲线用于描述模拟大气吸收光谱的垃圾箱高度,作为行星参数值之一的函数。 然后使用贝叶斯自适应探索来识别行星参数空间的区域,以改进模型需要更多的数据。 由此产生的系统将用作向前模型,以便根据行星的大气吸收光谱可以推断行星参数。 这项工作有望有助于更好地了解系外行星特性和一般系外行星气候和可居住性。
The evolution of space technology in recent years, fueled by advancements in computing such as Artificial Intelligence (AI) and machine learning (ML), has profoundly transformed our capacity to explore the cosmos. Missions like the James Webb Space Telescope (JWST) have made information about distant objects more easily accessible, resulting in extensive amounts of valuable data. As part of this work-in-progress study, we are working to create an atmospheric absorption spectrum prediction model ...