Inspectorch：太阳观测中高效稀有事件探索

太阳以 unprecedented 细节被观测，使其能够在极小的时空尺度上研究其活动。然而，制式方法无法完全分析我们望远镜收集的大量数据。流行的机器学习方法从观察中识别一般趋势，但倾向于忽略因其低发生频率而导致的异常事件。我们研究无监督概率方法以高效识别多维太阳观测中的稀有事件，并优化计算资源以聚焦于这些极端现象。我们提出Inspectorch，一个开源框架，利用基于流的模型：灵活的密度估计器，能够学习太阳观测的多维分布。一旦优化，即可为每个样本分配概率，从而识别异常事件。我们通过将其应用于Hinode光谱极化仪、Interface Region Imaging Spectrograph、Microlensed Hyperspectral Imager at Swedish 1-m Solar Telescope、驻点太阳动力学卫星上的Atmospheric Imaging Assembly以及Solar Orbiter上的Extreme Ultraviolet Imager来应用这一方法。我们发现，该算法为显示异常特征的光谱 consistently 分配更低的概率。例如，它识别出具有强Doppler位移、不寻常展宽以及与小尺度重连事件相关的时序动力学的轮廓。结果表明，基于流的模型进行密度估计是识别大型太阳数据集中稀有事件的强大方法。所得的概率性异常得分允许计算资源集中于最具信息性和物理相关性的事件。我们将我们的Python软件包公开提供：https://github.com/cdiazbas/inspectorch。