人工智能为系外行星带来新亮点

慕尼黑大学、ORIGINS 卓越集群、马克斯普朗克地外物理研究所 (MPE) 和 ORIGINS 数据科学实验室 (ODSL) 的研究人员在系外行星大气分析方面取得了重要突破。

他们利用物理信息神经网络(PINN)，成功模拟了系外行星大气中复杂的光散射，其精度之高前所未有。

这种方法为分析系外行星大气层，特别是云层的影响开辟了新的机会，并可以显著提高我们对这些遥远世界的理解。

该作品发表在《皇家天文学会月刊》上。

当遥远的系外行星从恒星前方经过时，它们会遮挡一小部分星光，而更小的一部分会穿透行星大气层。这种相互作用会导致光谱发生变化，从而反映出大气层的化学成分、温度和云量等特性。

然而，为了能够分析这些测量光谱，科学家需要能够在短时间内计算数百万个合成光谱的模型。只有随后将计算出的光谱与测量的光谱进行比较，我们才能获得有关观测系外行星大气成分的信息。

更重要的是，詹姆斯韦伯太空望远镜 (JWST) 的高度详细的新观测需要同样详细和复杂的大气模型。

借助人工智能快速求解复杂方程式

系外行星研究的一个关键方面是大气中的光散射，尤其是云层的散射。以前的模型无法令人满意地捕捉这种散射，从而导致光谱分析不准确。

基于物理的神经网络在此提供了决定性的优势，因为它们能够有效地解决复杂的方程式。在刚刚发表的研究中，研究人员训练了两个这样的网络。第一个模型是在没有考虑光散射的情况下开发的，它表现出令人印象深刻的准确性，相对误差大多低于 1%。