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

Problema
As análises de velocidade radial (RV) para a caracterização da massa de exoplanetas dependem de inúmeras escolhas de modelagem, incluindo o tratamento da excentricidade orbital, o modelo de ruído (ruído branco vs. Processos Gaussianos), a inclusão de tendências de velocidade de longo prazo e o número de planetas no sistema. Essas escolhas impactam significativamente as massas planetárias derivadas, as densidades e os caminhos de formação inferidos. As práticas atuais frequentemente dependem de critérios de informação (AIC, BIC) ou estatísticas de bondade de ajuste ($\chi^2$, $\ln \mathcal{L}$). No entanto, essas métricas carecem do "Navalha de Occam" intrínseco da comparação de modelos bayesianos, não incorporam informações a priori e tratam todos os parâmetros livres igualmente, independentemente de quão bem os dados os restringem. Embora a comparação de modelos bayesianos via fatores de Bayes seja o padrão rigoroso, ela requer o cálculo da evidência bayesiana (verossimilhança marginal), uma integral de alta dimensão que tradicionalmente exige algoritmos dedicados computacionalmente caros, como o nested sampling, o que muitas vezes exige a substituição dos fluxos de trabalho padrão de ajuste por MCMC.

Metodologia
Os autores aplicam o Estimador de Média Harmônica Aprendida (Learned Harmonic Mean Estimator - LHME), implementado no pacote Python de código aberto harmonic, à seleção de modelos de RV. O LHME estima a evidência bayesiana diretamente das amostras da posterior geradas por métodos MCMC padrão (especificamente usando o amostrador emcee através do pacote ravest), desacoplando a estimativa da evidência da estratégia de amostragem. Isso permite a comparação de modelos post-hoc utilizando cadeias MCMC existentes sem modificar o procedimento de ajuste.

O estudo analisa sete sistemas:

1. Seis sistemas de um único planeta (K2-265, TOI-220, HD 18599, LHS 1815, TOI-1055, GJ 1214) extraídos de uma reanálise homogênea de dados HARPS de arquivo. Para cada um, 18 variantes de modelos foram ajustadas, variando:
   • Excentricidade: Circular ($e=0$), priors uniformes em $\sqrt{e}\cos\omega_*$ e $\sqrt{e}\sin\omega_*$, ou priors de meia-normal em $e$.
   • Ruído: Ruído branco com jitter vs. Processo Gaussiano (GP) com um núcleo quase periódico.
   • Tendências: Nenhuma, linear ou tendência de velocidade quadrática.
2. TOI-544: Um sistema de dois planetas usado para demonstrar a comparação de modelos $N$ vs. $N+1$ planetas. Aqui, 72 variantes foram ajustadas (18 configurações de um planeta e 54 de dois planetas).

Os autores empregam verificações diagnósticas rigorosas (curtose, estabilidade de variância e inspeção visual de gráficos de canto/corner plots) para excluir modelos onde os fluxos de normalização (normalizing flows) do harmonic falham em aproximar a posterior (por exemplo, devido à multimodalidade frequentemente causada por priors de excentricidade uniformes que ajustam soluções espúrias de alta excentricidade).

Principais Contribuições

• Primeira Aplicação a RV: Esta é a primeira aplicação do LHME à seleção de modelos de RV.
• Integração de Fluxo de Trabalho: Demonstra que a estimativa rigorosa da evidência bayesiana pode ser integrada aos fluxos de trabalho de MCMC de RV existentes com custo computacional adicional negligenciável e sem modificação do procedimento de ajuste.
• Comparação Sistemática: O artigo fornece uma comparação sistemática de 18–72 variantes de modelos através de sete sistemas diversos, indo além de suposições de modelo único para determinar quantitativamente o modelo mais apropriado para cada sistema.

Resultados

• Não Existe Modelo Universal: Nenhum modelo (combinação de excentricidade, ruído, tendência) é universalmente preferido. O modelo ideal depende do sistema específico.
• Priors de Excentricidade: Priors de excentricidade uniformes subperformaram consistentemente, frequentemente falhando nos testes diagnósticos devido a posteriors multimodais com soluções espúrias de alta excentricidade. Priors de meia-normal (informativas) foram consistentemente preferidas ou produziram posteriors com melhor comportamento.
• Modelos de Ruído: Modelos de ruído GP foram preferidos para sistemas com evidência independente de atividade estelar modulada por rotação (K2-265, HD 18599, TOI-1055, GJ 1214, TOI-544). Modelos de ruído branco foram preferidos para sistemas onde a atividade não era dominante (TOI-220, LHS 1815).
• Tendências: Tendências de longo prazo foram preferidas apenas em dois sistemas (HD 18599 com uma tendência linear atribuída a um companheiro conhecido; TOI-220 com uma tendência quadrática).
• $N$ vs. $N+1$ Planetas: Para TOI-544, a evidência bayesiana favoreceu fortemente o modelo de dois planetas sobre o modelo de um planeta ($\Delta \ln Z = 20.1$), confirmando a detecção do companheiro não transitante.
• Impacto na Massa: A escolha do modelo afeta significativamente as massas derivadas. Em alguns casos (ex: TOI-1055), a escolha entre modelos de ruído branco e GP resultou em uma diferença de um fator de três na semi-amplitude e na massa derivada. Em outros (ex: GJ 1214), as massas foram robustas entre os modelos.

Significância e Alegações
O artigo afirma que o LHME torna a comparação de modelos bayesianos rigorosa acessível à comunidade de RV, superando as barreiras computacionais e de fluxo de trabalho do nested sampling. Os autores enfatizam que confiar em critérios de informação (AIC/BIC) ou em suposições de modelo único pode levar a caracterizações de massa incorretas, pois essas métricas não penalizam a complexidade de uma forma que leve em conta a informação a priori ou as restrições dos dados. Ao demonstrar que diferentes sistemas exigem diferentes escolhas de modelagem, os autores argumentam que ajustar múltiplas variantes e compará-las via evidência bayesiana é essencial para uma caracterização de massa robusta, o que, por sua vez, é crítico para entender as composições, caminhos de formação e habitabilidade de exoplanetas. O trabalho incentiva o uso mais amplo do LHME para outras comparações de modelos em astrofísica onde existem amostras de posterior MCMC.