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

Problème
Les analyses de vitesse radiale (VR) pour la caractérisation de la masse des exoplanètes reposent sur de nombreux choix de modélisation, notamment le traitement de l'excentricité orbitale, le modèle de bruit (bruit blanc vs processus gaussiens), l'inclusion de tendances de vitesse à long terme et le nombre de planètes dans le système. Ces choix impactent significativement les masses planétaires dérivées, les densités et les voies de formation inférées. Les pratiques actuelles reposent souvent sur des critères d'information (AIC, BIC) ou des statistiques de qualité d'ajustement ($\chi^2$, $\ln \mathcal{L}$). Cependant, ces métriques manquent du « rasoir d'Occam » intrinsèque de la comparaison de modèles bayésienne, n'intègrent pas d'informations a priori et traitent tous les paramètres libres de la même manière, sans tenir compte de la manière dont les données les contraignent. Bien que la comparaison de modèles bayésienne via les facteurs de Bayes soit la norme rigoureuse, elle nécessite le calcul de l'évidence bayésienne (vraisemblance marginale), un calcul d'intégrale de haute dimension nécessitant traditionnellement des algorithmes dédiés coûteux en calcul, comme l'échantillonnage imbriqué (nested sampling), ce qui impose souvent de remplacer les flux de travail de l'ajustement MCMC standard.

Méthodologie
Les auteurs appliquent l'Estimateur de la Moyenne Harmonique Apprise (LHME), implémenté dans le package Python open-source harmonic, à la sélection de modèles de VR. Le LHME estime l'évidence bayésienne directement à partir des échantillons de la distribution postérieure générés par des méthodes MCMC standard (utilisant spécifiquement l'échantillonneur emcee via le package ravest), découplant ainsi l'estimation de l'évidence de la stratégie d'échantillonnage. Cela permet une comparaison de modèles a posteriori utilisant les chaînes MCMC existantes sans modifier la procédure d'ajustement.

L'étude analyse sept systèmes :

1. Six systèmes à une seule planète (K2-265, TOI-220, HD 18599, LHS 1815, TOI-1055, GJ 1214) issus d'une réanalyse homogène de données HARPS archivistiques. Pour chacun, 18 variantes de modèles ont été ajustées, faisant varier :
   • Excentricité : Circulaire ($e=0$), priors uniformes sur $\sqrt{e}\cos\omega_*$ et $\sqrt{e}\sin\omega_*$, ou priors demi-normaux sur $e$.
   • Bruit : Bruit blanc avec jitter ou processus gaussien (GP) avec un noyau quasi-périodique.
   • Tendances : Aucune, tendance linéaire ou tendance quadratique de la vitesse.
2. TOI-544 : Un système à deux planètes utilisé pour démontrer la comparaison de modèles $N$ vs $N+1$ planètes. Ici, 72 variantes ont été ajustées (18 configurations à une planète et 54 à deux planètes).

Les auteurs emploient des contrôles diagnostiques stricts (kurtosis, stabilité de la variance et inspection visuelle des graphiques de corrélation/corner plots) pour exclure les modèles où les flux de normalisation (normalizing flows) de harmonic échouent à approximer la distribution postérieure (par exemple, en raison de la multimodalité souvent causée par des priors d'excentricité uniformes s'ajustant à des solutions d'excentricité élevée fallacieuses).

Principales contributions

• Première application à la VR : Il s'agit de la première application du LHME à la sélection de modèles de VR.
• Intégration au flux de travail : Elle démontre qu'une estimation rigoureuse de l'évidence bayésienne peut être intégrée aux flux de travail de VR basés sur MCMC avec un coût de calcul supplémentaire négligeable et sans modification de la procédure d'ajustement.
• Comparaison systématique : L'article fournit une comparaison systématique de 18 à 72 variantes de modèles à travers sept systèmes divers, allant au-delà des hypothèses de modèle unique pour déterminer quantitativement le modèle le plus approprié pour chaque système.

Résultats

• Pas de modèle universel : Aucune combinaison de modèles (excentricité, bruit, tendance) n'est universellement préférée. Le modèle optimal dépend du système spécifique.
• Priors d'excentricité : Les priors d'excentricité uniformes ont systématiquement sous-performé, échouant souvent aux tests diagnostiques en raison de distributions postérieures multimodales avec des solutions d'excentricité élevée fallacieuses. Les priors demi-normaux (informatifs) étaient systématiquement préférés ou produisaient des distributions postérieures mieux comportementées.
• Modèles de bruit : Les modèles de bruit GP ont été préférés pour les systèmes présentant des preuves indépendantes d'activité stellaire modulée par la rotation (K2-265, HD 18599, TOI-1055, GJ 1214, TOI-544). Les modèles de bruit blanc ont été préférés pour les systèmes où l'activité n'était pas dominante (TOI-220, LHS 1815).
• Tendances : Les tendances à long terme n'ont été préférées que dans deux systèmes (HD 18599 avec une tendance linéaire attribuée à un compagnon connu ; TOI-220 avec une tendance quadratique).
• $N$ vs $N+1$ planètes : Pour TOI-544, l'évidence bayésienne a fortement favorisé le modèle à deux planètes par rapport au modèle à une planète ($\Delta \ln Z = 20,1$), confirmant la détection du compagnon non transitant.
• Impact sur la masse : Le choix du modèle affecte significativement les masses dérivées. Dans certains cas (par exemple, TOI-1055), le choix entre les modèles de bruit blanc et GP a entraîné une différence d'un facteur trois dans l'amplitude semi-majeure et la masse dérivée. Dans d'autres cas (par exemple, GJ 1214), les masses étaient robustes à travers les modèles.

Signification et affirmations
L'article affirme que le LHME rend la comparaison de modèles bayésienne rigoureuse accessible à la communauté de la VR, surmontant les barrières de calcul et de flux de travail de l'échantillonnage imbriqué. Les auteurs soulignent que s'appuyer sur les critères d'information (AIC/BIC) ou sur des hypothèses de modèle unique peut conduire à des caractérisations de masse incorrectes, car ces métriques ne pénalisent pas la complexité d'une manière qui tient compte des informations a priori ou des contraintes des données. En démontrant que différents systèmes nécessitent différents choix de modélisation, les auteurs soutiennent que l'ajustement de multiples variantes et leur comparaison via l'évidence bayésienne est essentiel pour une caractérisation de masse robuste, ce qui est crucial pour comprendre les compositions, les voies de formation et l'habitabilité des exoplanètes. Ce travail encourage l'utilisation plus large du LHME pour d'autres comparaisons de modèles en astrophysique où des échantillons de distribution postérieure MCMC existent.