四维深度学习光谱极化反演 (SPIn4D)：概述、磁流体力学建模与斯托克斯剖面合成

美国国家科学基金会的 Daniel K. Inouye 太阳望远镜 (DKIST) 将提供高分辨率的多线光谱极化观测，旨在彻底改变我们对太阳的理解。鉴于巨大的数据容量，亟需新型推理技术才能充分发挥其潜能。本文概述了我们的 SPIn4D 项目，旨在开发深度卷积神经网络 (CNN) 用于从 DKIST 光谱极化观测中估计太阳气象层的物理属性。我们描述了磁流体力学 (MHD) 建模和斯托克斯剖面合成管线，用于产生模拟输出和输入数据。这些数据将用于训练一组 CNN，通过在斯托克斯剖面时间序列中利用时空一致模式，快速推断四维 MHD 状态向量。具体而言，我们的辐射 MHD 模型模拟了在安静太阳和斑块区域普遍存在的小尺度涡旋作用。已进行六个不同平均磁场情况的模拟；每个案例覆盖六小时，总数据容量达 109 TB。模拟域覆盖至少 $25\times25\times8$ Mm，空间分辨率为 $16\times16\times12$ km，覆盖从上对流层到温度最低点区域。输出以 40 秒的频率存储。我们对两个 Fe I 线在 630 和 1565 nm 的斯托克斯剖面进行前向建模，这两个线将由 DKIST 同时观测，可更好地约束沿视线方向的参数变化。MHD 模型输出和合成斯托克斯剖面已公开提供，初始版本为 13.7 TB。