SuNeRF-CME: Physics-Informed Neural Radiance Fields for Tomographic Reconstruction of Coronal Mass Ejections

Resumen Técnico: SuNeRF-CME

Planteamiento del Problema
Las Eyecciones de Masa Coronal (EMC) representan riesgos significativos para el clima espacial, lo que hace necesaria una caracterización precisa en 3D de su densidad de plasma, dirección de propagación y velocidad. Aunque los coronógrafos de luz blanca proporcionan una monitorización directa de las EMC mediante la luz dispersa por Thomson de electrones libres, reconstruir la distribución 3D del plasma a partir de datos de imagen 2D es inherentemente desafiante. El problema está mal planteado debido a la naturaleza ópticamente delgada del plasma, la dependencia compleja del punto de vista en la dispersión de Thomson y la escasez de puntos de vista simultáneos (a menudo limitados a dos o tres). Los métodos tradicionales, como el modelo de Cilindro Graduado (GCS) o la triangulación estereoscópica, suelen basarse en aproximaciones geométricas o suposiciones estáticas que no logran capturar deformaciones complejas, estructuras internas o evolución dependiente del tiempo, lo que conduce a desviaciones sistemáticas y "trayectorias fantasma".

Metodología
Los autores presentan SuNeRF-CME (Campos de Radiación Neuronal del Sol para EMC), un marco que combina Campos de Radiación Neuronal (NeRF) con Redes Neuronales Informadas por la Física (PINN) para realizar una reconstrucción tomográfica 3D de la heliosfera.

• Representación Neuronal: En lugar de utilizar grids explícitos, el volumen 3D se representa mediante una red neuronal (específicamente una arquitectura SIREN) que mapea coordenadas espacio-temporales $(x, y, z, t)$ a cantidades físicas: densidad electrónica logarítmica ($\ln \rho$) y vectores de velocidad ($\vec{v}$). Esto proporciona una parametrización implícita continua y eficiente en memoria del volumen 4D.
• Modelo Directo: El método emplea un modelo directo físicamente consistente basado en Billings (1966) para simular la dispersión de Thomson. Calcula el brillo total ($tB$) y el brillo polarizado ($pB$) integrando la densidad electrónica modelada a lo largo de las líneas de visión, teniendo en cuenta el ángulo de dispersión, el oscurecimiento del limbo solar y la extensión angular finita del disco solar.
• Restricciones Informadas por la Física: Para mitigar la naturaleza mal planteada de la inversión causada por puntos de vista dispersos, el marco incorpora restricciones físicas mediante un enfoque PINN. La función de pérdida incluye:
  • Ecuación de Continuidad: Imponiendo la conservación de la masa ($\partial_t \rho + \nabla \cdot (\rho \vec{v}) = 0$) para acoplar la dinámica de la densidad con la velocidad.
  • Regularización Radial: Restringiendo el viento solar de fondo para que sea aproximadamente radial.
  • Límites de Velocidad: Imponiendo velocidades del viento solar dentro de un rango realista (200–800 km s$^{-1}$) para suprimir nubes estáticas no físicas o trayectorias fantasma.
• Optimización: La red se entrena desde cero para cada evento específico de EMC minimizando una función de pérdida combinada que comprende errores basados en imágenes (norma $L_2$ logarítmica de $tB$, $pB$ y su relación) y residuos basados en física.

Contribuciones Clave

1. Primera NeRF Informada por la Física para EMC: Este trabajo presenta la primera implementación de un Campo de Radiación Neuronal Informado por la Física específicamente para la tomografía de EMC, adaptando los NeRF del dominio EUV a datos coronográficos de luz blanca.
2. Reconstrucción con Puntos de Vista Dispersos: El método demuestra la capacidad de reconstruir fiablemente estructuras 3D de EMC a partir de tan solo dos puntos de vista, un escenario donde la tomografía clásica suele fallar.
3. Integración de la Dinámica: A diferencia de los métodos de reconstrucción estática, SuNeRF-CME modela explícitamente la evolución dependiente del tiempo del plasma, capturando deformaciones y dinámicas de propagación sin depender de la rotación solar para restricciones adicionales.
4. Marco de Validación: El estudio utiliza el conjunto de datos "CME Challenge" (observaciones sintéticas del modelo GAMERA-Helio) para cuantificar rigurosamente el rendimiento frente a distribuciones de densidad electrónica de verdad fundamental en diversas configuraciones de observadores.

Resultados
Utilizando observaciones sintéticas, los autores evaluaron el rendimiento del método en diferentes configuraciones de puntos de vista:

• Estimación de Parámetros: Desde dos puntos de vista separados por 60°, el método logró errores medios de 3.39 ± 1.94° en latitud, 1.76 ± 0.79° en longitud y 3.01 ± 1.94% en la velocidad del frente de choque. Estos resultados representan una mejora de aproximadamente un factor de dos a cuatro sobre los resultados de ajuste GCS tradicionales reportados en la literatura previa.
• Recuperación de la Estructura 3D: El modelo reconstruyó con éxito la "estructura de tres partes" (núcleo brillante, cavidad oscura, frente brillante) y las variaciones internas del plasma de EMC simuladas desde dos puntos de vista. Capturó frentes de EMC deformados y la localización del frente de choque, aunque las estructuras del viento solar de fondo permanecieron más desafiantes de resolver con datos dispersos.
• Dependencia del Punto de Vista: El rendimiento mejoró con el número de puntos de vista (el coeficiente de correlación aumentó de 0.92 para tres puntos de vista a 0.99 para todos los puntos de vista disponibles). Se encontró que las reconstrucciones eran menos fiables dentro del plano del observador (eclíptica) en comparación con las vistas fuera del plano.
• Rol de la Polarización: La inclusión del brillo polarizado ($pB$) mejoró significativamente la calidad de la reconstrucción. Una sola observación de $pB$ combinada con el brillo total ($tB$) de otros puntos de vista podría sustituir eficazmente a un punto de vista adicional solo de $tB$, reduciendo las ambigüedades de la línea de visión.
• Restricciones Físicas: Los estudios de ablación confirmaron que las pérdidas informadas por la física son críticas; eliminarlas condujo a derivas no físicas en la dirección de propagación y la masa, mientras que una ponderación moderada (10$^{-2}$–10$^{-1}$) produjo una estabilidad óptima.
• Robustez al Ruido: El método permaneció estable hasta niveles de ruido del 5% del brillo medio (SNR = 20), aunque el rendimiento se degradó en regiones externas tenues donde los ratios señal-ruido disminuyen.

Significado y Afirmaciones
El artículo afirma que SuNeRF-CME demuestra el potencial de los métodos de campos de radiación informados por la física para la tomografía de EMC. Al tratar la red neuronal como una representación de función continua en lugar de un modelo generativo entrenado sobre una población, el método reconstruye directamente escenas específicas a partir de datos multivista disponibles. Los autores enfatizan que este enfoque proporciona una solución impulsada por datos y específica del evento que supera las limitaciones de las aproximaciones geométricas y las suposiciones estáticas.

El estudio concluye que, aunque los resultados actuales se limitan a datos sintéticos, el marco allana el camino para futuras extensiones a datos observacionales reales y aplicaciones de clima espacial. Los autores señalan que la capacidad del método para integrar restricciones físicas directamente en el proceso de optimización le permite manejar datos dispersos y entradas ruidosas de manera más robusta que las técnicas de inversión clásicas, ofreciendo un camino prometedor hacia la monitorización 3D en tiempo real de la dinámica del plasma heliosférico.