利用可解释人工智能识别耀前光谱特征
太阳与恒星天体物理
2023-03-08 v1 天体物理仪器与方法
摘要
太阳耀斑的预测具有实际和科学意义；然而，许多用于该预测任务的机器学习方法并未提供模型性能背后的物理解释。我们利用两种最近开发的可解释人工智能技术——梯度加权类激活映射(Grad-CAM)和期望梯度(EG)——来揭示一个高性能神经网络的决策过程，该网络经训练可区分来自耀斑和非耀斑活动区的MgII光谱，这一事实可应用于短时标耀斑预报任务。这两种技术生成可投影回光谱的可视化解释（热图），从而能够识别与耀斑前驱活动密切相关的特征。我们在单波长层面上自动化搜索可解释解释，并提供多个使用IRIS光谱数据的耀斑预测示例，发现预测分数通常在耀斑发生前上升。覆盖活动区显著部分且与IRIS和SDO/AIA图像中微小耀斑前增亮同时发生的大型IRIS扫描往往带来更好的预报。模型揭示MgII三重态发射、流以及宽且高度不对称的光谱都对耀斑预测任务很重要。此外，我们发现强度仅与光谱的预测分数弱相关，意味着低强度光谱仍可能对耀斑预测任务极为重要，并且在%的情况下，耀斑前阶段模型沿狭缝的最大注意力位置可预测耀斑最大UV发射的位置。
引用
@article{arxiv.2301.01560,
title = {Identifying preflare spectral features using explainable artificial intelligence},
author = {Brandon Panos and Lucia Kleint and Jonas Zbinden},
journal= {arXiv preprint arXiv:2301.01560},
year = {2023}
}