分子を文字列として表す

おうし座の暗黒分子雲TMC-1では、さまざまな炭素鎖分子が見つかっています。しかし、化学的に作れそうな分子は膨大です。限られた望遠鏡の時間をどこへ振り向けるか。その候補を絞ることも、分子探索では重要な仕事になります。

著者らは、分子の構造を化学的な文字列表現として与え、ニューラルネットワークで柱密度との関係を学習させました。柱密度とは、視線方向に積み重なった分子の量です。分子構造だけで決まる量ではなく、温度、密度、反応の進み方など、天体の環境にも左右されます。

予測精度はどの程度なのか

著者らは、決定係数R²を学習・検証全体で0.88、検証データで0.51と報告しています。学習に使っていないデータでは、説明できないばらつきが残ります。ここで示されているのは予測の評価であり、未知の分子の存在量が観測で確定したという意味ではありません。

そもそも、モデルが大きな柱密度を予測したからといって、観測で容易に見つかるとは限りません。電波で回転スペクトルを調べるなら、双極子モーメントや励起条件、観測周波数、感度も関係します。存在量の予測と、実際の検出可能性は分けて考える必要があります。

潜在空間を化学の地図として使う

著者らは、分子構造の関係を数値的な潜在空間として表し、既知分子の周辺にある未検出分子を探索候補に選んでいます。この論文の特徴は、柱密度の予測に加えて、分子間の関係を地図のように利用する点にあります。

著者らは、異なる時期の検出分子を使った学習も比較し、最近の分子発見が潜在空間の構造を変えたと報告しています。この結果は、学習標本への依存を考慮する必要があることも示しています。モデルから有望な候補が得られても、新分子の発見が保証されるわけではありません。

星周分子サーベイへの示唆

この論文の検証対象はTMC-1です。進化星の星周エンベロープでは、温度、紫外線場、元素組成が異なるため、同じモデルの予測精度は保証されません。星周分子サーベイへの適用は、本論文で実証された結果ではなく、環境に応じた学習と独立した検証が必要な課題です。