系外行星探测的主要目标是发现恒星周围的行星并认识它们的大气和内部结构，搜寻可能适宜人类居住的行星。南京大学深空探测科学与技术研究院的倪冬冬教授和澳门科技大学月球与行星科学国家重点实验室合作，基于机器学习模型——混合密度神经网络（图1），根据行星的质量、半径和其他可能的重要观测（例如恒星光谱、潮汐效应等），训练了多个机器学习模型，来推断成分迥异的岩石系外行星内部结构。从图2可以看出，通过输入行星质量和半径、耐热元素丰度Fe/(Mg + Si)、以及潮汐洛夫数，机器学习模型可以很好的预测行星的内部结构，使得科学家们能够更好地理解行星的内部特性，包括核心所处的热力学环境、幔层厚度和可能的水冰含量。
图1. 混合密度神经网络模型和岩石行星内部结构模型示意图。
图2. 机器学习模型（系外行星的质量、半径、耐热元素丰度比Fe/(Mg + Si)、以及潮汐洛夫数作为输入）在测试集上的预测表现，深色区域越靠近对角线，表明机器学习模型的预测效果越好。
论文链接：Machine-learning Inferences of the Interior Structure of Rocky Exoplanets from Bulk Observational Constraints. Yong Zhao, Dongdong Ni, and Zibo Liu. ApJS, 269, 1 (2023). https://doi.org/10.3847/1538-4365/acf31a
