利用卷积神经网络从 GST/NIRIS 的 Stokes 轮廓推断矢量磁场
太阳与恒星天体物理
2020-06-17 v1 机器学习
摘要
我们提出了一种基于卷积神经网络（CNN）和 Milne-Eddington（ME）方法的 Stokes 反演机器学习新方法。本研究使用的 Stokes 测量数据是由大熊湖太阳天文台的 1.6 m Goode 太阳望远镜（GST）上的近红外成像光谱偏振仪（NIRIS）采集的。通过学习基于物理的 ME 工具准备的训练数据中的潜在模式，所提出的 CNN 方法能够从 GST/NIRIS 的 Stokes 轮廓推断矢量磁场。实验结果表明，我们的 CNN 方法比广泛使用的 ME 方法产生更平滑、更干净的磁场图。此外，CNN 方法比 ME 方法快 4~6 倍，并且能够近实时地产生矢量磁场，这对于空间天气预报至关重要。具体而言，CNN 方法处理一幅包含 GST/NIRIS Stokes 轮廓的 720 x 720 像素图像仅需约 50 秒。最后，CNN 推断结果与 ME 计算结果高度相关，并且比其他机器学习算法（如多重支持向量回归和多层感知机（MLP））的结果更接近 ME 的结果，其皮尔逊积矩相关系数（PPMCC）平均更接近 1。特别是，根据我们的实验研究，CNN 方法在 PPMCC 上平均比当前最佳的机器学习方法（MLP）高出 2.6%。因此，所提出的基于物理辅助深度学习的 CNN 工具可被视为对 GST/NIRIS 获得的高分辨率偏振测量观测进行 Stokes 反演的一种替代且高效的方法。
引用
@article{arxiv.2005.03945,
title = {Inferring Vector Magnetic Fields from Stokes Profiles of GST/NIRIS Using a Convolutional Neural Network},
author = {Hao Liu and Yan Xu and Jiasheng Wang and Ju Jing and Chang Liu and Jason T. L. Wang and Haimin Wang},
journal= {arXiv preprint arXiv:2005.03945},
year = {2020}
}
备注
24 pages, 9 figures