Observing exoplanet atmospheres with the SPIRou instrument at the Canada-France-Hawaii Telescope
Bibliographic record
Abstract
Au cours des trois dernières décennies, la détection de plus de 5500 exoplanètes a révélé leur grande diversité en masse, rayon et température d'équilibre. Ça a suscité un intérêt pour mieux les comprendre, de leur potentiel à abriter la vie à la façon dont elles se sont formées et ont migré vers leurs emplacements orbitaux actuels. La caractérisation atmosphérique s'est avérée être un outil clé, offrant une fenêtre sur les propriétés spécifiques d'une planète. Grâce à leurs larges atmosphères et leur proximité avec leurs étoiles, les Jupiter chauds et ultra-chauds sont les meilleures cibles pour affiner les outils d'analyse de données spectrales d'atmosphères d'exoplanètes pour contraindre leurs propriétés. Ces planètes sont cependant intrinsèquement 3-D, compliquant la récupération des abondances globales nécessaires pour déduire les propriétés des planètes. Cette thèse s'est concentrée sur l'étude du Jupiter ultra-chaud WASP-76 b, en particulier sur ce qu'on pourrait en apprendre avec des données SPIRou. Ceci était en grande partie motivé par l'asymétrie trouvée pour l'atmosphère de cette planète dans des données optiques. En le regardant dans l'infrarouge, on sonde des pressions différentes, donnant un aperçu différent de ses propriétés. Pour ça, j'ai participé au développement d'un pipeline d'analyse de données au sein du programme ATMOSPHERIX optimisé pour l'analyse de spectres de transmission de SPIRou. Le pipeline optimise le signal atmosphérique d'une exoplanète dans les données, crée des spectres synthétiques pour l'analyse, et peut valider la détection d'une atmosphère et récupérer les valeurs les plus probables pour les paramètres atmosphériques. En l'appliquant aux données SPIRou de WASP-76 b, j'ai pu effectuer une étude approfondie des propriétés atmosphériques de cette planète. En particulier, j'ai pu détecter H dollar _2 dollar O et CO et analyser les dynamiques associées à chacun, offrant des raisons possibles à l'asymétrie de l'atmosphère. Pour mieux comprendre la nature tridimensionnelle des Jupiter chauds et ultra-chauds, j'ai commencé à travailler avec une équipe qui étudie des modèles atmosphériques. J'ai utilisé des spectres de transmission simulés de 18 modèles avec différentes périodes orbitales pour étudier comment les effets tridimensionnels influencent les mesures des observables à l'aide de spectres synthétiques unidimensionnels. Plus précisément, j'ai analysé la relation entre les décalages mesurés pour les observables d'une planète et la rotation de la planète ainsi que les vents atmosphériques. Les dégénérescences dans les études atmosphériques peuvent compliquer la récupération des paramètres et les scénarios inférés de formation et de migration des Jupiter chauds et ultra-chauds. Une solution proposée pour les résoudre consiste à combiner des jeux de données. Nous avons commencé à adapter le pipeline ATMOSPHERIX pour pouvoir effectuer combiner différents ensembles de données, que j'ai testés sur des données obtenues de WASP-76 b. Je présente les résultats préliminaires obtenus pour la combinaison des données SPIRou précédemment utilisées avec des données basse résolution de HST et Spitzer, ainsi qu'avec des données optiques haute résolution de MAROON-X. Bien que les résultats montrent un besoin d'améliorer nos algorithmes combinant les jeux de données, ils montrent aussi un potentiel. Dans l'ensemble, j'ai contribué au développement de la chaîne ATMOSPHERIX, un outil prometteur pour la communauté de la caractérisation atmosphérique des exoplanètes, et j'ai mis en évidence l'utilisation des données acquises par SPIRou dans les études atmosphériques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.001 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".