Approximating Rayleigh Scattering in Exoplanetary Atmospheres using Physics-informed Neural Networks (PINNs)

本研究介绍了一种创新的物理信息神经网络（PINN）应用，以应对外行星大气辐射传输（RT）建模的复杂挑战，特别关注高效处理散射现象。传统的RT模型通常将散射简化为吸收，导致不准确性。我们的方法利用PINN，它们能够直接将RT的控制微分方程纳入其损失函数中，从而提供更精确但潜在快速的建模技术。我们的方法的核心是开发一个针对修改后的RT方程定制的参数化PINN，增强其适应各种大气情况的能力。我们专注于使用简化的1D等温模型和压力相关系数的RT在过境外行星大气中的传输。在纯吸收的情况下，PINN展示了其在预测不同吸收剖面的透过光谱方面的有效性。对于瑞利散射，网络成功计算了RT方程，处理了直接和漫反射的恒星光成分。虽然我们使用简化模型的初步结果很有前途，表明了PINN在改进RT计算方面的潜力，但我们承认我们近似所产生的误差以及将此技术应用于更复杂的大气条件所面临的挑战。具体而言，将我们的方法扩展到具有复杂温度-压力剖面和不同散射特性的大气，例如由云和雾引入的大气，仍然是未来发展的重要领域。

本论文旨在利用物理知识注入神经网络（PINNs）来解决外行星大气辐射传输建模中散射现象的挑战，特别关注于如何提高计算效率。

本文的关键思路是将辐射传输方程直接纳入损失函数中，从而提高模型的精度和速度。论文开发了一个参数化的PINN，针对修正后的辐射传输方程进行优化，以适应各种大气情况。

论文使用简化的1D等温模型，考虑压力依赖系数，针对吸收和瑞利散射两种情况进行了模拟。结果表明，PINN在吸收情况下可以有效预测不同吸收剖面的透射光谱，而在瑞利散射情况下能够成功计算辐射传输方程。但是，作者也指出了由于近似所带来的误差以及将该方法扩展到更复杂大气条件的挑战。

最近的相关研究包括利用深度学习模型进行大气辐射传输建模的研究，如使用卷积神经网络（CNN）进行辐射传输建模的研究，以及使用基于物理的神经网络模型进行气体辐射传输建模的研究。