PINN ME：用于精确太阳磁场 Milne-Eddington 反演的物理信息神经网络框架
太阳与恒星天体物理
2025-02-20 v1 天体物理仪器与方法
摘要
太阳观测的光谱偏振反演是估计太阳大气磁场的基础。然而，仪器噪声、计算需求以及不同水平的物理真实性使得推导可靠的太阳磁场估计具有挑战性。在本研究中，我们提出了一种基于物理信息神经网络（PINN）的光谱偏振反演新方法，用于在 Milne-Eddington 近似下推断光球层磁场（PINN ME）。我们的模型作为参数空间的表示，将输入坐标 映射到相应的光谱偏振参数，用于合成对应的 Stokes profiles。通过迭代采样坐标点、合成 profiles 并最小化与观测到的 Stokes profiles 的偏差，我们的方法可以找到最佳拟合观测的 Milne-Eddington 参数集。此外，我们直接引入了点扩散函数以考虑仪器效应。我们使用预定义的参数空间以及来自辐射 MHD 模拟的合成 profiles 来评估我们方法的性能，并估计仪器噪声的影响。我们的结果表明，PINN ME 实现了内在的时空耦合，这可以大大减轻观测噪声，并且即使对于扩展的视场也能提供内存高效的反演。最后，我们将该方法应用于观测，表明我们的方法提供了高空间相干性，并且能够分辨强场和弱场区域中的小尺度特征。
引用
@article{arxiv.2502.13924,
title = {PINN ME: A Physics-Informed Neural Network Framework for Accurate Milne-Eddington Inversions of Solar Magnetic Fields},
author = {Robert Jarolim and Momchil E. Molnar and Benoit Tremblay and Rebecca Centeno and Matthias Rempel},
journal= {arXiv preprint arXiv:2502.13924},
year = {2025}
}