ELT-METIS: estimating the constraining power of high-resolution exoplanet spectra with Bayesian inference
Notice bibliographique
Résumé
Ground-based high-resolution spectroscopic observations of exoplanet atmosphere is a rapidly-evolving field with already significant successes, mainly in species detection using a cross-correlation approach. Since a few years new techniques are developed to tackle down the obstacles to not only detect species, but also retrieve abundances and other properties (e.g the temperature profile), a deed that was so far essentially reserved to low-resolution (R ~100) observations. The Mid-infrared Extremely Large Telescope (ELT) Imager and Spectrograph (METIS) features a high-resolution (resolving power of ~100,000) spectrograph in the L- and M-bands (2.90 to 5.30 $\mu$m). For exoplanet atmospheric characterisation, this instrument will represent a major leap forward. It will enable the observation of fainter and smaller objects and will drastically improve the quality of data from brighter objects due to the dependence of the Signal-to-Noise Ratio in the background-limited regime on the square of the telescope diameter. At these wavelengths the obscuring effects of hazes and/or clouds are much reduced. We present here realistic simulated observations of several exoplanets of interest with METIS. We notably included telluric lines, and time-dependent airmass and Doppler shift of the planet spectra relative to the instrument. We also included realistic noise and uncertainties from the METIS dedicated radiometric code. We performed Bayesian analysis (using PyMultiNest) of these observations with a newly developed extension of petitRADTRANS, our atmospheric modelling software. We investigated which species could be retrieved, and how well, on these selected targets. We will also discuss the detection and abundance retrieving of trace species and isotopologues, as well as the retrieving of other key atmospheric properties. Finally, we will briefly introduce the new and robust atmospheric retrieval framework we developed for petitRADTRANS, which we tested on existing high-resolution data.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».