用于分层光谱极化反演的 Transformer 模型：概念验证

太阳光谱极化反演——从Stokes矢量推断大气条件——是理解太阳磁性的关键诊断工具，但传统反演方法计算昂贵且对局部极小值敏感。人工智能（AI）的进展提供了更快的解决方案，但常受限于浅层模型或少数几个光谱线。我们present了一项概念证明研究，利用Transformer机器学习模型进行多线、全Stokes反演，以从3D磁流体动力学模拟产生的合成光谱中推断分层参数。我们综合了大量Stokes矢量，通过正向建模跨越15条光谱线，从深光谱层向气象层。该模型将全Stokes输入映射为温度、磁场强度、倾斜角、方位角（编码为$\sin2\phi$、$\cos2\phi$）以及光谱深度上行速度。Transformer包含注意力机制，允许模型聚焦于每个推断参数最具信息的光谱区域，并使用位置嵌入编码波长和深度顺序。我们将其与多层感知器（MLP）进行基准测试，测试其对噪声的鲁棒性，并评估其泛化能力。Transformer优于MLP，特别是在更高层次和磁场参数方面，产生更高的相关性和更规则的分层。该模型在一系列典型真实观测的噪声水平下保持强大的性能，磁场参数推断呈现可预测的退化，而温度和速度保持稳定。我们探索注意力图，将Transformer学习到的行为与光谱形成物理联系。