Using Bayesian Deep Learning to Infer Planet Mass from Gaps in Protoplanetary Disks
Notice bibliographique
Résumé
Abstract Planet-induced substructures, like annular gaps, observed in dust emission from protoplanetary disks, provide a unique probe for characterizing unseen young planets. While deep-learning-based models have an edge in characterizing a planet’s properties over traditional methods, such as customized simulations and empirical relations, they lacks the ability to quantify the uncertainties associated with their predictions. In this paper, we introduce a Bayesian deep-learning network, “DPNNet-Bayesian,” which can predict planet mass from disk gaps and also provides the uncertainties associated with the prediction. A unique feature of our approach is that it is able to distinguish between the uncertainty associated with the deep-learning architecture and the uncertainty inherent in the input data due to measurement noise. The model is trained on a data set generated from disk–planet simulations using the fargo3d hydrodynamics code, with a newly implemented fixed grain size module and improved initial conditions. The Bayesian framework enables the estimation of a gauge/confidence interval over the validity of the prediction, when applied to unknown observations. As a proof of concept, we apply DPNNet-Bayesian to the dust gaps observed in HL Tau. The network predicts masses of 86.0 ± 5.5 M ⊕, 43.8 ± 3.3 M ⊕, and 92.2 ± 5.1 M ⊕, respectively, which are comparable to those from other studies based on specialized simulations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».