基于物理信息神经网络的面积热流输运建模
太阳与恒星天体物理
2024-11-21 v2 机器学习
摘要
研究太阳表面磁场性质对于理解太阳与日球活动至关重要，这些活动进而塑造着太阳系的太空天气。面积热流输运 (SFT) 建模有助于我们模拟和分析磁通在太阳表面的输运与演化，为理解负责太阳活动的机制提供宝贵的见解。本文展示了机器学习技术在解决磁通输运问题中的应用，使其更加精确。我们开发了一种新颖的基于物理信息神经网络 (PINN) 的模型，用于研究以 SFT 方式演化的双极磁区 (BMR)。我们在一维 azimuthally 平均以及二维中都实现了该模型。通过将其性能与使用 Runge-Kutta 隐式-显式 (RK-IMEX) 方案实现的数值模型进行比较，我们展示了 PINN 模型的效率和计算可行性。该网格无关的 PINN 方法可用于更好的通量守恒再现观察到的极地磁场。这种进展对于准确再现观察到的极地磁场至关重要，从而为理解未来太阳周期的强度提供见解。本工作为更高效和更准确的太阳磁通输运仿真铺路，并展示了 PINN 在求解运输扩散方程中的适用性，尤其是聚焦于日球物理学。
引用
@article{arxiv.2409.01744,
title = {Surface Flux Transport Modeling using Physics Informed Neural Networks},
author = {Jithu J Athalathil and Bhargav Vaidya and Sayan Kundu and Vishal Upendran and Mark C. M. Cheung},
journal= {arXiv preprint arXiv:2409.01744},
year = {2024}
}