Improving exoplanet mass characterisation with Bayesian model selection using the Learned Harmonic Mean Estimator

Problema
Los análisis de velocidad radial (RV) para la caracterización de la masa de exoplanetas dependen de numerosas decisiones de modelado, incluyendo el tratamiento de la excentricidad orbital, el modelo de ruido (ruido blanco frente a procesos gaussianos), la inclusión de tendencias de velocidad a largo plazo y el número de planetas en el sistema. Estas elecciones impactan significativamente las masas planetarias derivadas, las densidades y las vías de formación inferidas. Las prácticas actuales suelen depender de criterios de información (AIC, BIC) o estadísticas de bondad de ajuste ($\chi^2$, $\ln \mathcal{L}$). Sin embargo, estas métricas carecen de la "navaja de Occam" integrada del la comparación bayesiana de modelos, no incorporan información previa y tratan todos los parámetros libres por igual, independientemente de qué tan bien los datos los restringen. Aunque la comparación bayesiana de modelos mediante factores de Bayes es el estándar riguroso, requiere calcular la evidencia bayesiana (verosimilitud marginal), una integral de alta dimensión que tradicionalmente requiere algoritmos dedicados computacionalmente costosos, como el muestreo anidado (nested sampling), lo que a menudo exige reemplazar los flujos de trabajo estándar de ajuste por MCMC.

Metodología
Los autores aplican el Estimador de la Media Armónica Aprendida (LHME, por sus siglas en inglés), implementado en el paquete de Python de código abierto harmonic, a la selección de modelos de RV. El LHME estima la evidencia bayesiana directamente de las muestras de la posterior generadas por métodos MCMC estándar (específicamente utilizando el muestreador emcee a través del paquete ravest), desacoplando la estimación de la evidencia de la estrategia de muestreo. Esto permite la comparación de modelos post-hoc utilizando cadenas MCMC existentes sin modificar el procedimiento de ajuste.

El estudio analiza siete sistemas:

1. Seis sistemas de un solo planeta (K2-265, TOI-220, HD 18599, LHS 1815, TOI-1055, GJ 1214) extraídos de un reanálisis homogéneo de datos archivados de HARPS. Para cada uno, se ajustaron 18 variantes de modelos, variando:
   • Excentricidad: Circular ($e=0$), prioris uniformes sobre $\sqrt{e}\cos\omega_*$ y $\sqrt{e}\sin\omega_*$, o prioris de media normal sobre $e$.
   • Ruido: Ruido blanco con jitter frente a proceso gaussiano (GP) con un núcleo cuasi-periódico.
   • Tendencias: Sin tendencias, lineales o tendencias de velocidad cuadráticas.
2. TOI-544: Un sistema de dos planetas utilizado para demostrar la comparación de modelos $N$ frente a $N+1$ planetas. Aquí, se ajustaron 72 variantes (18 configuraciones de un planeta y 54 de dos planetas).

Los autores emplean controles diagnósticos estrictos (curtosis, estabilidad de la varianza e inspección visual de los diagramos de esquina o corner plots) para excluir modelos donde los flujos normales en harmonic fallan al aproximar la posterior (por ejemplo, debido a la multimodalidad causada frecuentemente por prioris de excentricidad uniformes que ajustan soluciones espurias de alta excentricidad).

Contribuciones Clave

• Primera Aplicación a RV: Esta es la primera aplicación del LHME a la selección de modelos de RV.
• Integración en el Flujo de Trabajo: Demuestra que la estimación rigurosa de la evidencia bayesiana puede integrarse en los flujos de trabajo de MCMC existentes para RV con un costo computacional adicional insignificante y sin modificación del procedimiento de ajuste.
• Comparación Sistemática: El artículo proporciona una comparación sistemática de 18 a 72 variantes de modelos a través de siete sistemas diversos, yendo más allá de las suposiciones de un solo modelo para determinar cuantitativamente el modelo más apropiado para cada sistema.

Resultados

• Sin Modelo Universal: Ninguna combinación de modelo (excentricidad, ruido, tendencia) es universalmente preferida. El modelo óptimo depende del sistema específico.
• Prioris de Excentricidad: Las prioris de excentricidad uniformes desempeñaron consistentemente un papel inferior, fallando frecuentemente en las pruebas diagnósticas debido a posteriores multimodales con soluciones espurias de alta excentricidad. Las prioris de media normal (informativas) fueron consistentemente preferidas o produjeron posteriores con mejor comportamiento.
• Modelos de Ruido: Los modelos de ruido GP fueron preferidos para sistemas con evidencia independiente de actividad estelar modulada por rotación (K2-265, HD 1859 even, TOI-1055, GJ 1214, TOI-544). Los modelos de ruido blanco fueron preferidos para sistemas donde la actividad no era dominante (TOI-220, LHS 1815).
• Tendencias: Las tendencias a largo plazo solo fueron preferidas en dos sistemas (HD 18599 con una tendencia lineal atribuida a un compañero conocido; TOI-220 con una tendencia cuadrática).
• $N$ vs. $N+1$ Planetas: Para TOI-544, la evidencia bayesiana favoreció fuertemente el modelo de dos planetas sobre el modelo de un planeta ($\Delta \ln Z = 20.1$), confirmando la detección del compañero no transitante.
• Impacto en la Masa: La elección del modelo afecta significativamente las masas derivadas. En algunos casos (por ejemplo, TOI-1055), la elección entre modelos de ruido blanco y GP resultó en una diferencia de un factor de tres en la semi-amplitud y la masa derivada. En otros (por ejemplo, GJ 1214), las masas fueron robustas a través de los modelos.

Significancia y Reivindicaciones
El artículo afirma que el LHME hace que la comparación de modelos bayesianos rigurosa sea accesible para la comunidad de RV, superando las barreras computacionales y de flujo de trabajo del muestreo anidado. Los autores enfatizan que depender de los criterios de información (AIC/BIC) o de suposiciones de un solo modelo puede conducir a caracterizaciones de masa incorrectas, ya que estas métricas no penalizan la complejidad de una manera que tenga en cuenta la información previa o las restricciones de los datos. Al demostrar que diferentes sistemas requieren diferentes elecciones de modelado, los autores argumentan que ajustar múltiples variantes y compararlas mediante evidencia bayesiana es esencial para una caracterización de masa robusta, lo cual es crítico para comprender las composiciones de los exoplanetas, sus vías de formación y su habitabilidad. El trabajo fomenta el uso más amplio del LHME para otras comparaciones de modelos en astrofísica donde existen muestras de la posterior de MCMC.