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

Problema
Le analisi di velocità radiale (RV) per la caratterizzazione della massa degli esopianeti si basano su numerose scelte di modellazione, tra cui il trattamento dell'eccentricità orbitale, il modello di rumore (rumore bianco vs. Processi Gaussiani), l'inclusione di trend di velocità a lungo termine e il numero di pianeti nel sistema. Queste scelte impattano significativamente sulle masse planetarie derivate, sulle densità e sui percorsi di formazione inferiti. Le pratiche attuali si affidano spesso a criteri di informazione (AIC, BIC) o statistiche di bontà del fit ($\chi^2$, $\ln \mathcal{L}$). Tuttavia, tali metriche mancano del "rasoio di Occam" intrinseco del confronto bayesiano tra modelli, non incorporano informazioni a priori e trattano tutti i parametri liberi allo stesso modo, indipendentemente da quanto bene i dati li vincolino. Sebbene il confronto bayesiano tra modelli tramite i fattori di Bayes sia lo standard rigoroso, esso richiede il calcolo dell'evidenza bayesiana (verosimiglianza marginale), un integrale ad alta dimensionalità che tradizionalmente richiede algoritmi dedicati computazionalmente costosi come il nested sampling, il quale spesso necessita di sostituire i flussi di lavoro standard di fitting MCMC.

Metodologia
Gli autori applicano il Learned Harmonic Mean Estimator (LHME), implementato nel pacchetto Python open-source harmonic, alla selezione dei modelli RV. L'LHME stima direttamente l'evidenza bayesiana dai campioni della distribuzione a posteriori generati da metodi MCMC standard (specificamente utilizzando il campionatore emcee tramite il pacchetto ravest), scindendo la stima dell'evidenza dalla strategia di campionamento. Ciò consente il confronto dei modelli post-hoc utilizzando le catene MCMC esistenti senza modificare la procedura di fitting.

Lo studio analizza sette sistemi:

1. Sei sistemi con un singolo pianeta (K2-265, TOI-220, HD 18599, LHS 1815, TOI-1055, GJ 1214) tratti da una rianalisi omogenea di dati archiviati HARPS. Per ciascuno, sono stati adattati 18 varianti di modello, variando:
   • Eccentricità: Circolare ($e=0$), priori uniformi su $\sqrt{e}\cos\omega_*$ e $\sqrt{e}\sin\omega_*$, o priori half-normal su $e$.
   • Rumore: Rumore bianco con jitter rispetto a un Processo Gaussiano (GP) con un kernel quasi-periodico.
   • Trend: Nessun trend, trend lineare o trend di velocità quadratico.
2. TOI-544: Un sistema con due pianeti utilizzato per dimostrare il confronto tra modelli $N$ vs. $N+1$ pianeti. Per questo sistema, sono state adattate 72 varianti (18 configurazioni a un pianeta e 54 a due pianeti).

Gli autori impiegano controlli diagnostici rigorosi (curtosi, stabilità della varianza e ispezione visiva dei corner plot) per escludere i modelli in cui i normalising flows di harmonic falliscono nell'approssimare la distribuzione a posteriori (ad esempio, a causa della multimodalità causata da priori di eccentricità uniformi che adattano soluzioni spurie ad alta eccentricità).

Contributi Chiave

• Prima Applicazione alle RV: Questa è la prima applicazione dell'LHME alla selezione dei modelli RV.
• Integrazione del Workflow: Dimostra che la rigorosa stima dell'evidenza bayesiana può essere integrata nei flussi di lavoro RV basati su MCMC con un costo computazionale aggiuntivo trascurabile e senza modificare la procedura di fitting.
• Confronto Sistematico: Il documento fornisce un confronto sistematico tra 18–72 varianti di modello attraverso sette diversi sistemi, andando oltre le assunzioni di un singolo modello per determinare quantitativamente il modello più appropriato per ogni sistema.

Risultati

• Nessun Modello Universale: Nessuna combinazione di modello (eccentricità, rumore, trend) è universalmente preferita. Il modello ottimale dipende dallo specifico sistema.
• Priori di Eccentricità: I priori di eccentricità uniformi hanno costantemente performato peggio, fallendo spesso i test diagnostici a causa di distribuzioni a posteriori multimodali con soluzioni spurie ad alta eccentricità. I priori half-normal (informativi) sono stati costantemente preferiti o hanno prodotto distribuzioni a posteriori meglio comportate.
• Modelli di Rumore: I modelli di rumore GP sono stati preferiti per i sistemi con evidenza indipendente di attività stellare modulata dalla rotazione (K2-265, HD 18599, TOI-1055, GJ 1214, TOI-544). I modelli di rumore bianco sono stati preferiti per i sistemi in cui l'attività non era dominante (TOI-220, LHS 1815).
• Trend: I trend a lungo termine sono stati preferiti solo in due sistemi (HD 18599 con un trend lineare attribuito a un compagno noto; TOI-220 con un trend quadratico).
• $N$ vs. $N+1$ Pianeti: Per TOI-544, l'evidenza bayesiana ha fortemente favorito il modello a due pianeti rispetto al modello a un pianeta ($\Delta \ln Z = 20.1$), confermando la rilevazione del compagno non transitante.
• Impatto sulla Massa: La scelta del modello influenza significativamente le masse derivate. In alcuni casi (ad esempio, TOI-1055), la scelta tra modelli di rumore bianco e GP ha comportato una differenza di un fattore tre nella semi-ampiezza e nella massa derivata. In altri (ad esempio, GJ 1214), le masse sono risultate robuste tra i modelli.

Significatività e Rivendicazioni
Il documento afferma che l'LHME rende accessibile alla comunità RV il rigoroso confronto bayesiano tra modelli, superando le barriere computazionali e di workflow del nested sampling. Gli autori sottolineano che fare affidamento sui criteri di informazione (AIC/BIC) o su assunzioni di un singolo modello può portare a incorrette caratterizzazioni della massa, poiché tali metriche non penalizzano la complessità in un modo che tenga conto delle informazioni a priori o dei vincoli dei dati. Dimostrando che diversi sistemi richiedono diverse scelte di modellazione, gli autori sostengono che il fitting di molteplici varianti e il loro confronto tramite evidenza bayesiana sia essenziale per una caratterizzazione robusta della massa, che a sua volta è critica per comprendere la composizione, i percorsi di formazione e l'abitabilità degli esopianeti. Il lavoro incoraggia l'uso più ampio dell'LHME per altri confronti di modelli in astrofisica in cui esistono campioni a posteriori MCMC.