一个团队利用神经网络来模拟遥远行星的大气。来自慕尼黑大学（LMU）、ORIGINS卓越集群、外星物理马克斯·普朗克研究所（MPE）和ORIGINS数据科学实验室（ODSL）的专家在研究系外行星大气方面取得了重要里程碑。通过采用物理知情神经网络（PINNs），他们成功地以空前的精度建模了系外行星大气中的复杂光散射。这种创新方法为对系外行星大气的更深入分析铺平了道路，尤其是在云效应方面，这可能极大地增强我们对这些遥远行星的了解。
当遥远的系外行星在其母星前面经过时，它们会遮挡一部分星光，同时有一小部分光线通过行星大气。这种现象导致光谱的变化，反映出大气的特征，如化学成分、温度和云的存在。为了准确分析这些观察到的光谱，科学家们需要能够迅速生成数百万个合成光谱的模型。通过将合成光谱与实际测量进行比较，我们可以了解被观察系外行星的大气成分。此外，从詹姆斯·韦伯太空望远镜（JWST）获得的新复杂数据也需要同样复杂的大气模型。
利用人工智能快速解决复杂方程
在系外行星研究中，一个关键元素是大气中发生的光散射，尤其是由云引起的散射。之前的模型未能有效解决这种散射，导致光谱分析中的错误。然而，物理知情神经网络提供了显著的优势，因为它们能够熟练地处理复杂方程。在最近发表的一项研究中，研究人员训练了两个这样的网络。第一个模型在没有考虑光散射的情况下开发，达到了显著的精度，相对误差通常在百分之一以下。相比之下，第二个模型包括了对于瑞利散射的近似——这种现象使地球的天空呈现蓝色。尽管这些近似可以进一步优化，神经网络解决复杂方程的能力标志着一个显著的进展。
跨学科的协作努力
这些新见解是通过慕尼黑大学（LMU）、ORIGINS卓越集群、外星物理马克斯·普朗克研究所（MPE）和专注于在物理学中创建创新AI方法的ORIGINS数据科学实验室（ODSL）之间的独特合作实现的。“这项合作努力不仅推动了系外行星研究的进展，还为在物理学中开发AI方法开辟了新的途径，” 研究的首席作者、大众大学的David Dahlbüdding说。“我们旨在进一步增强未来跨学科的合作，以更高的精度模拟云引起的光散射，从而最大化神经网络的能力。”
