JWST系外行星大气反演改用Transformer后验估计:训练一次,单条光谱秒级出结果
核心概要
JWST把系外行星大气光谱推到了前所未有的精度,但每次都用嵌套采样做贝叶斯反演,计算量让逐颗行星分析难以扩展到群体研究。NEXONN在NEXOTRANS框架内用Transformer条件化的归一化流直接学习大气参数的后验分布,训练时注入PandExo模拟的波长相关JWST噪声。在WASP-39b的MIRI/LRS与NIRISS、NIRSpec、MIRI联合光谱上,它给出的C/O与金属丰度中心值与PyMultiNest接近,但逐参数的后验重叠程度不一,参考气压等参数差异明显。
深度剖析
系外行星大气反演从每次重新采样,变成训练一次后对任意新光谱直接给出参数后验分布。 此前的NEXOTRANS机器学习实现用随机森林、梯度提升和k近邻堆叠成回归器,只做确定性参数估计,不提供不确定度。 在已知真值的模拟MIRI/LRS光谱上,八个参数的后验平均重叠度较高,云与霾参数的重叠度最高,而温度和部分丰度参数仍有可见差异。
模型把一条光谱和一组大气参数分别编码成序列,让参数逐个在光谱条件下生成后验样本。 做法是Transformer条件化的自回归归一化流:光谱的波长、凌星深度和不确定度作为无掩码的token互相注意,参数token用因果掩码,再通过交叉注意力读取光谱信息。 训练集为每个反演实验独立生成的200万条NEXOTRANS合成光谱,采用6层流、4个注意力头、批大小128,训练100轮。
摊销推断把成本从每次反演转移到一次性训练,代价是模型只在其训练覆盖的参数与观测配置内可靠。 常规贝叶斯反演对每条光谱都要重新采样,而训练好的模型对单条光谱只需一次前向推断。 15维全JWST模型在NVIDIA L4 GPU上训练约需数小时,训练后单条光谱推断只需数秒;对应的PyMultiNest反演在60个CPU核心上约需数小时,约合2915 CPU小时。
启示与展望
演示范围限于NEXOTRANS前向模型下的模拟MIRI/LRS光谱、WASP-39b的MIRI/LRS观测,以及NIRISS/SOSS、NIRSpec/PRISM与MIRI/LRS联合光谱的15参数反演;覆盖度检验基于500条模拟测试光谱,并在全部反演参数上取平均。
后验一致性随参数变化,参考气压、金属丰度和部分P–T参数的中心值接近但分布差异明显;真实观测可能落在训练分布之外,训练集覆盖、参数简并和噪声模型近似都可能影响结果,这些机制目前只是可能解释而非已确认原因。
