用于日震环图反演的有监督神经网络
太阳与恒星天体物理
2019-02-06 v1 机器学习
摘要
对SDO观测8年的环图分析中的环拟合参数进行反演以获得地下流动图在计算上代价高昂，需要约3200 CPU小时。在本文中，我们应用机器学习技术来加速反演计算。具体而言，我们利用模式拟合参数和先前的反演结果训练一个地下流动的预测器，以替代未来的反演需求。我们利用人工神经网络（Artificial Neural Networks）作为有监督学习方法来预测15度环块中的流动。为了证明机器学习结果仍然包含对局部日震研究至关重要的细微特征，我们使用机器学习结果来研究最近发现的太阳赤道Rossby波。该人工神经网络计算高效，能够在几秒钟内对未来一个卡林顿自转的流动做出预测，这比当前的约31 CPU小时快得多。网络的初始训练需要约3 CPU小时。训练好的人工神经网络能达到约等于速度反演所报告值一半的均方根误差，展示了机器学习的准确性（或许也显示了环图流水线原始误差的高估）。我们在覆盖六年数据的机器学习流动中发现了赤道Rossby波的特征，表明小振幅信号得以保持。从机器学习流动图中恢复Rossby波仅需一个卡林顿自转（27.275天）的训练数据。我们已经表明机器学习可应用于当前的环图反演并比其更高效。机器学习的计算负担包括3 CPU小时的初始训练，以及此后约0.0001 CPU小时的未来预测。
引用
@article{arxiv.1901.01505,
title = {Supervised Neural Networks for Helioseismic Ring-Diagram Inversions},
author = {Rasha Alshehhi and Chris S. Hanson and Laurent Gizon and Shravan Hanasoge},
journal= {arXiv preprint arXiv:1901.01505},
year = {2019}
}
备注
10 pages, 10 Figures, Accepted by A&A