用于太阳磁场外推的物理信息增强注意力傅里叶神经算子
机器学习
2025-10-08 v1 人工智能
摘要
我们提出了物理信息增强注意力傅里叶神经算子（PIANO），以解决太阳物理中的非线性无力场（NLFFF）问题。与依赖迭代数值方法的传统方法不同，我们提出的 PIANO 直接从二维边界条件学习三维磁场结构。具体而言，PIANO 将高效通道注意力（ECA）机制与膨胀卷积（DC）相结合，通过优先关注与磁场变化相关的关键通道，增强了模型捕获多模态输入的能力。此外，我们在训练过程中通过施加无力和无散度条件应用了物理信息损失，使得我们的预测在高度准确的同时符合底层物理规律。在 ISEE NLFFF 数据集上的实验结果表明，我们的 PIANO 不仅在精度上优于最先进的神经算子，而且在由各种太阳活动区重建的磁场中，与 NLFFF 数据的物理特性表现出高度的一致性。本项目的 GitHub 仓库可访问：https://github.com/Autumnstar-cjh/PIANO
引用
@article{arxiv.2510.05351,
title = {Physics-informed Attention-enhanced Fourier Neural Operator for Solar Magnetic Field Extrapolations},
author = {Jinghao Cao and Qin Li and Mengnan Du and Haimin Wang and Bo Shen},
journal= {arXiv preprint arXiv:2510.05351},
year = {2025}
}
备注
10 pages; accepted as workshop paper in ICDM 2025; https://github.com/Autumnstar-cjh/PIANO