利用深度神经网络识别磁通量绳特征
太阳与恒星天体物理
2021-01-12 v1 天体物理仪器与方法
机器学习
数据分析、统计与概率
空间物理
摘要
在空间天气当前的挑战中，主要挑战之一是预报行星际日冕物质抛射（ICMEs）内部的磁构型。目前，观测到的单调且相干的磁构型被认为与航天器穿越具有螺旋磁力线拓扑的大磁通量绳的结果相关。此类排列的分类对于预测地磁扰动至关重要。因此，该分类依赖于 ICME 内部结构为组织良好的磁通量绳的假设。本文应用机器学习和当前的物理磁通量绳解析模型来识别并进一步理解 ICMEs 的内部结构。我们用解析磁通量绳数据训练了一个图像识别人工神经网络，这些数据由圆柱（圆形和椭圆截面）模型中许多可能轨迹的范围生成。训练后的网络随后使用 1995–2015 年间 WIND 观测的 ICMEs 进行评估。本文开发的方法能正确分类 84% 的简单真实案例，并在扩展至施加 5% 噪声的更宽泛集合时具有 76% 的成功率，尽管它确实表现出偏向正磁通量绳分类的偏倚。作为迈向可泛化分类与参数化工具的第一步，这些结果展现出前景。通过进一步调优与改进，我们的模型具有演变为从原位数据识别磁通量绳构型的鲁棒工具的强大潜力。
引用
@article{arxiv.2008.13294,
title = {Identifying Flux Rope Signatures Using a Deep Neural Network},
author = {Luiz F. G. dos Santos and Ayris Narock and Teresa Nieves-Chinchilla and Marlon Nuñez and Michael Kirk},
journal= {arXiv preprint arXiv:2008.13294},
year = {2021}
}
备注
32 pages, 12 figures. This is a pre-print of an article published in Solar Physics Journal