基于物理信息神经网络的数据驱动太阳光层辐射流体力学模拟：概念验证
太阳与恒星天体物理
2025-05-09 v1
摘要
当前的、真实的太阳大气数值模拟在统计意义上再现观测结果，但未能像太阳粒状现象的电影般完整再现观测。相反，通过反演的方法能够按设计准确再现观测，但所得到的模型往往在物理上不自洽。物理信息神经网络（Physics-Informed Neural Networks, PINNs）提供了一种新的求解时依赖太阳辐射流体力学方程并将观测作为边界条件匹配的办法。PINNs 以深度神经网络逼近整体微分方程组的解。该网络的参数通过最小化关于物理方程和观测数据的残差来确定。所得到的模型在所有维度上连续，可对空间和时间中感兴趣的局部区域进行放大，并提供关于物理参数（如水平速度）等不可直接观测参数的信息。本文首次提出了这一新方法的概念验证，详细解释了其底层方法论，并展望了PINNs所可能带来的诸多应用前景。
引用
@article{arxiv.2505.04865,
title = {Data-driven radiative hydrodynamics simulations of the solar photosphere using physics-informed neural networks: proof of concept},
author = {Christoph U. Keller},
journal= {arXiv preprint arXiv:2505.04865},
year = {2025}
}
备注
21 pages, 18 figures, accepted by the Astrophysical Journal