Predicting the thermodynamics in the chromosphere from the translation of SDO data into the IRIS$^{2}$ inversion results using a visual transformer model

Título: Predicción de la termodinámica en la cromosfera mediante la traducción de datos del SDO a resultados de inversión IRIS2 utilizando un modelo de transformador visual

1. El Problema

La cromosfera solar es una capa de la atmósfera solar caracterizada por condiciones físicas complejas, variaciones espaciotemporales rápidas y condiciones de no equilibrio termodinámico local (no-LTE). Obtener parámetros termodinámicos precisos (temperatura, velocidad, densidad electrónica) a partir de observaciones es un desafío significativo.

• Limitaciones actuales: Los métodos tradicionales de inversión espectral (como el código IRIS2 aplicado a las líneas Mg II h&k del espectrógrafo IRIS) son altamente precisos pero computacionalmente costosos y requieren observaciones específicas de alta resolución que no siempre están disponibles para todo el disco solar.
• La brecha de datos: El Observatorio de Dinámica Solar (SDO) observa el disco solar completo con alta cadencia temporal, pero sus instrumentos (AIA y HMI) no proporcionan directamente los parámetros termodinámicos de la cromosfera con la misma fidelidad que las inversiones espectrales directas.
• Objetivo: Desarrollar una herramienta que utilice la abundancia de datos del SDO para inferir o "traducir" la información termodinámica de la cromosfera, aprovechando los resultados de inversión de IRIS como objetivo de entrenamiento.

2. Metodología

Los autores desarrollaron SDO2IRIS2, un modelo de aprendizaje profundo basado en un Transformador Visual (ViT - Vision Transformer).

• Datos de Entrada (Input):
  • Imágenes de intensidad de los canales AIA del SDO (171 Å, 193 Å, 304 Å, 1600 Å, 1700 Å) que cubren la cromosfera, la región de transición y la corona.
  • Magnetogramas de línea de visión del HMI del SDO (campo magnético fotosférico).
  • Codificación de posición (positional encoding) para mantener el contexto espacial.
  • Los datos se reestructuran en "rastros" (rasters) similares a la rejilla del IRIS para asegurar la coincidencia espacial y temporal.
• Datos Objetivo (Target):
  • Mapas termodinámicos derivados de la inversión de las líneas Mg II h&k observadas por IRIS, procesados con el código IRIS2.
  • Variables objetivo: Temperatura ($T$), velocidad de línea de visión ($v_{los}$), velocidad de turbulencia ($v_{turb}$) y densidad electrónica ($n_e$).
  • Se evalúan en tres profundidades ópticas representativas: $\log(\tau) = -5.2$ (cromosfera alta), $-4.2$ (cromosfera media) y $-3.2$ (mínimo de temperatura).
• Arquitectura del Modelo:
  • Se utiliza un Transformador Visual (ViT) de imagen-a-imagen.
  • La imagen de entrada se divide en parches no superpuestos que se convierten en "tokens".
  • Se emplea un codificador (Encoder) con atención multi-cabeza y un decodificador (Decoder) para generar los mapas termodinámicos.
  • Función de Pérdida: Se combina una pérdida $L1$ estándar (punto a punto) con un término que minimiza la distancia entre los gradientes espaciales del objetivo y la predicción. Esto asegura la coherencia espacial y la estructura de las características.
• Entrenamiento:
  • Se utilizaron 1585 conjuntos de datos de IRIS.
  • División temporal (80% entrenamiento, 10% validación, 10% prueba) para evitar fugas de datos entre observaciones consecutivas del mismo campo de visión.
  • Se comparó el ViT con un baseline de Red Neuronal Profunda (DNN) y se probaron diversas combinaciones de canales de entrada.

3. Contribuciones Clave

• SDO2IRIS2: Es la primera herramienta que utiliza un modelo de Transformador Visual para traducir directamente imágenes de banda ancha del SDO y magnetogramas a parámetros termodinámicos de la cromosfera, utilizando inversiones de IRIS2 como referencia.
• Eficiencia Computacional: El modelo reduce el tiempo de obtención de parámetros termodinámicos de horas/días (en inversiones tradicionales) a minutos (≤10 min en CPU, ≤5 min en GPU).
• Análisis de Importancia de Características: Se aplicó el método de valores de Shapley para cuantificar la contribución de cada canal de AIA y del magnetograma HMI, revelando qué observables son más críticos para cada variable termodinámica.
• Generalización: El modelo está diseñado para manejar campos de visión de tamaño variable mediante técnicas de relleno cero (zero-padding) y parches deslizantes, permitiendo su aplicación a cualquier región del disco solar observada por SDO.

4. Resultados

El modelo fue evaluado en un conjunto de prueba de 185 datasets no vistos durante el entrenamiento:

• Correlaciones:
  • Temperatura ($T$) y Densidad Electrónica ($n_e$): Muestran una correlación fuerte (coeficiente de Pearson $r \approx 0.80$) para aproximadamente el 80% de los datos en la cromosfera media y alta.
  • Velocidad de Turbulencia ($v_{turb}$): Muestra una correlación de moderada a fuerte ($r \approx 0.63$) para el 70% de los datos.
  • Velocidad de Línea de Visión ($v_{los}$): La correlación es débil en todos los casos. Aunque el modelo captura la estructura general, los valores predichos tienden a ser sistemáticamente menores que los obtenidos por IRIS2.
• Influencia de los Canales:
  • Los canales AIA 1600 Å, 1700 Å y 304 Å son los contribuyentes más importantes para la predicción.
  • La inclusión del magnetograma HMI mejora ligeramente la correlación y la representación de estructuras, pero no es estrictamente necesaria para obtener resultados fuertes en $T$ y $n_e$.
  • Los canales de la corona (171 Å, 193 Å) tienen un impacto menor, aunque su inclusión puede ayudar ligeramente en la predicción de la temperatura en la región de mínimo de temperatura.
• Limitaciones Observadas:
  • El modelo puede generar artefactos como líneas de referencia (fiducial lines) si se entrena con datos que las contienen.
  • La resolución espacial inferior de AIA en comparación con IRIS puede causar la pérdida de estructuras finas (ej. puentes de luz en manchas solares).
  • El modelo no debe usarse cerca del limbo solar, ya que los datos de entrenamiento no incluyen regiones cercanas al borde.

5. Significado e Impacto

• Nueva Utilidad para SDO: SDO2IRIS2 abre una nueva vía para utilizar los datos históricos y actuales del SDO (desde 2010) como un proxy confiable de la termodinámica cromosférica, incluso cuando IRIS no está observando simultáneamente.
• Sinergia Instrumental: Permite complementar observaciones de otros instrumentos de cromosfera con datos de contexto termodinámico de alta resolución temporal derivados del SDO.
• Escalabilidad: Al ser rápido y eficiente, permite el análisis de grandes volúmenes de datos (Big Data) solares, facilitando estudios estadísticos de la actividad cromosférica a escala global.
• Futuro: Los autores proponen la evolución hacia "AIA2IRIS2+", incorporando líneas adicionales (C II, fotosféricas) para predecir la termodinámica desde la fotosfera media-alta hasta la cromosfera alta, ampliando el rango de aplicación del modelo.

En resumen, el artículo presenta un avance significativo en la física solar computacional, demostrando que las arquitecturas de transformadores pueden aprender la física compleja de la cromosfera a partir de imágenes de banda ancha, democratizando el acceso a parámetros termodinámicos detallados para toda la comunidad solar.