MVPinn：将米尔纳-埃迪金森反演集成到基于物理信息神经网络中用于 GST/NIRIS 观测
太阳与恒星天体物理
2025-07-15 v1 天体物理仪器与方法
摘要
我们提出了 MVPinn，这是一种针对解决米尔纳-埃迪金森 (ME) 反演问题的物理信息神经网络 (PINN) 方法，特别应用于 Big Bear Solar Observatory 近红外成像光谱极化仪 (BBSO/NIRIS) 在 Fe I 1.56 {\mu}m 线的光谱极化观测。传统的 ME 反演方法虽广泛使用，但计算密集、对噪声敏感，且常难以准确捕捉由磁场强度、方向和视线速度梯度引起的复杂轮廓不对称性。通过将 ME 辐射传递方程直接嵌入神经网络训练作为物理信息约束，我的 MVPinn 方法能稳健且高效地检索磁场参数，在准确性、噪声鲁棒性以及处理非对称和弱偏振信号方面显著优于传统反演方法。训练后，MVPinn 大约需要 15 秒即可推断一个磁力图，而传统 ME 反演在高分辨率光谱极化数据上需要数十分钟。定量比较表明，结果与来自 SDO/HMI 和 Hinode/SOT-SP 仪器的经过验证的磁场测量值高度吻合，相关系数约为 90%。特别是，MVPinn 与 Hinode/SOT-SP 数据的匹配更好，表明 HMI 数据在高磁场强度时可能存在饱和。我们进一步分析了轮廓不对称性的物理意义以及 ME 模型假设的局限性。我们的结果展示了物理信息机器学习方法在高时空分辨率太阳观测中的潜力，为当前和下一代太阳望远镜和太空气候监测做好更精确、实时磁场分析的准备。
关键词
引用
@article{arxiv.2507.09430,
title = {MVPinn: Integrating Milne-Eddington Inversion with Physics-Informed Neural Networks for GST/NIRIS Observations},
author = {Qin Li and Bo Shen and Haodi Jiang and Vasyl B. Yurchyshyn and Taylor Baildon and Kangwoo Yi and Wenda Cao and Haimin Wang},
journal= {arXiv preprint arXiv:2507.09430},
year = {2025}
}