RADYNVERSION：利用可逆神经网络反演太阳耀斑大气

在太阳耀斑期间，被认为在日冕中发生重联，随后快速能量传输至色球层。由此产生的强烈加热强烈扰动色球层结构，并引发复杂的辐射流体动力学效应。解释耀斑太阳大气的物理机制是太阳物理中最具挑战性的任务之一。在此我们提出一种新颖的深度学习方法，即可逆神经网络，通过反演 H{\alpha} 和 Ca II {\lambda}8542 中观测到的太阳谱线轮廓来理解耀斑太阳大气的色球物理。我们的网络使用来自一维辐射流体动力学代码 RADYN 的耀斑模拟作为预期大气和谱线轮廓进行训练。然后将该模型应用于 SST/CRISP 仪器在耀斑开始后不久观测到的 M1.1 太阳耀斑的单个像素。从观测中获得的反演大气提供了关于电子数密度、温度和等离子体整体速度流的物理信息，涵盖从高度 0-10 Mm 的整个太阳大气。密度和温度轮廓似乎与预期的大气响应一致，并且整体等离子体速度提供了产生宽谱线所需的梯度，同时也预测了耀斑加热预期的色球蒸发。我们得出结论，我们已经根据 RADYN 教会了我们新颖的算法太阳耀斑的物理机制，并且可以自信地用于分析在这两个波长上获取的耀斑数据。该算法也可适用于大量反问题，提供极快（$\sim$10 {\mu}s）的反演样本。