ML-unterstützte Modellierung von Wolkenbildung in Exoplaneten

Die Entdeckung einer atemberaubenden Vielfalt von Planeten jenseits unseres Sonnensystems (sogenannte Exoplaneten) ist eine der größten Errungenschaften der modernen Astronomie, von der ersten bestätigten Entdeckung in den 1990er Jahren bis zu den derzeit mehr als 5000 bekannten Exoplaneten. Die Erforschung von Exoplaneten hat unser Verständnis des Universums revolutioniert und unsere Vorstellung von Planetensystemen neu geprägt: Bislang wurde kein zweites Planetensystem entdeckt, dass unserem gleicht, stattdessen sind gerade heiße Jupiter der Beweis für eine dynamische Entstehung von Planetensystemen einschließlich unseres eigenen. Teleskope helfen dabei, die Atmosphäre von Exoplaneten so genau zu charakterisieren und zu verstehen, dass wir spektroskopische Merkmale mit den Entwicklungsstadien der Planeten in Verbindung bringen können. Die Wolkenbildung in den chemisch gesehen diversen Atmosphären von Exoplaneten ist zu einem großen Problem für die eindeutige Bestimmung der Atmosphärenzusammensetzung dieser Planeten geworden. Dieses Projekt konzentriert sich daher auf die Bildung von (Wolken-)Kondensationskernen (cloud condensation nuclei, CCNs) als auslösenden Prozess für die Kondensation von Gas in feste Partikel in solchen extraterrestrischen, astrophysikalischen Umgebungen. In diesem Projekt werden Techniken des Machine Learnings (ML) angewandt, um die Bildung von Metalloxid-Clustern als Grundlage für die Modellierung der CCN-Bildung zu untersuchen. Derzeitige Ansätze zur Modellierung der CCN-Bildungsrate als Teil komplexer Atmosphärenmodelle werden dadurch erschwert, dass nur der Anfang und das Ende des CCN-Bildungsprozesses modelliert werden kann, da genaue thermodynamische Daten zu den Clustern mittlerer Größe (N = 15 150) nicht verfügbar sind. Da die Anzahl der CCNs die Größe der Wolkenpartikel und die Ausdünnung der Gasphase bestimmt, ist sie ein Schlüsselelement für ein Wolkenbildungsmodell. Hochpräzise thermodynamische Daten für kleine TiO2-Cluster und ihre Isomere werden als Trainingsset verwendet, um ML-Methoden zu entwickeln und Strategien zur Ableitung thermodynamischer Eigenschaften für noch nicht erforschte Clustergrößen jenseits des Trainingssets zu testen. Die Schlüsselfragen, die wir beantworten wollen, sind, welche Auflösung im Clusterraum erforderlich ist, um die Eigenschaften von Clustern genau zu beschreiben, wie eine höhere Recheneffizienz die Unsicherheiten bei den Eigenschaften von Clustern aufwiegt und wie die Anwendung der ML- Technologie in der Exoplanetenastrochemie vorangebracht werden kann. Unser Ziel ist es, das Potenzial der ML-Technologie zu nutzen, um unser Verständnis der Exoplanetenatmosphären zu verbessern, indem wir eine der grundlegenden Forschungsfragen der Exoplaneten-Klimaforschung adressieren: Wie bilden sich Wolken in diesen chemisch vielfältigen atmosphärischen Umgebungen?