근접 외계 행성 모집단의 머신러닝 클러스터링: 자갈 성장과의 연관성
Machine-learning clustering of close-in exoplanet populations: links to pebble accretion
근접 외계 행성들은 형성 조건과 이동 과정에 의해 형성된 궤도 구조와 물리적 특성의 다양한 범위를 보여줍니다. 모집단 합성 모델이 뚜렷한 행성 모집단을 예측하지만, 관측된 외계 행성과 합성 모집단 간의 정량적 연결을 확립하는 것은 여전히 어렵습니다. 우리는 물리적 근거에 기반한 동역학적 매개변수를 사용하여 근접 외계 행성의 내재적 조직을 조사하고, 결과로 나온 모집단을 자갈 성장 형성 경로와 연결합니다. 2단계 가우시안 혼합 모델(GMM)을 근접 외계 행성의 관측 샘플에 적용하여, 행성-별 상호작용의 동역학적 기술자가 지배하는 특징 공간에서 비지도 확률적 클러스터링을 수행합니다. 결과 클러스터는 통계적 근거에 기반한 3차원 매개변수 공간 내에서 자갈 성장 합성 모집단에 매핑됩니다. 그런 다음 가스 이용 가능성, 가스 비율, 얼음-암석 질량비를 포함한 형성 관련 양을 사용하여 매핑된 모집단을 해석합니다. 우리는 미리 정의된 분류 경계를 강요하지 않고, 매우 거대한 가스 거성, 뜨거운 거성, 온난 목성 지배 시스템, 저질량 거성을 포함하여 통계적으로 지지되는 하위 모집단을 식별합니다. 매핑된 합성 모집단은 형성 시기, 가스 성장, 고체 성장 이력에서 체계적인 차이를 보여줍니다. 특히, 매우 거대한 가스 거성은 뜨거운 거성 및 온난 목성 지배 모집단보다 이른 형성 시기와 선호적으로 연관됩니다. 이러한 결과는 물리적 근거에 기반한 머신러닝 접근 방식이 관측된 외계 행성 모집단을 이론적 행성 형성 경로와 연결하기 위한 통계적으로 견고한 프레임워크를 제공할 수 있음을 보여줍니다.