Inversion of CHASE H$\alpha$ Spectral Line during Solar Flares Based on RADYN Dataset via Deep Learning

Resumen Técnico: Inversión de la Línea Espectral Hα de CHASE durante Erupciones Solares Basada en el Conjunto de Datos RADYN mediante Aprendizaje Profundo

Planteamiento del Problema
Las erupciones solares representan liberaciones intensas de energía en la atmósfera solar, causando cambios rápidos en parámetros físicos como la densidad numérica de electrones, la temperatura y la velocidad del plasma. Medir con precisión estos parámetros es esencial para comprender los mecanismos de las erupciones y mejorar las predicciones de erupciones. Sin embargo, la medición directa es técnicamente desafiante; estos parámetros se infieren típicamente a partir de características espectrales observadas. Los métodos de inversión tradicionales basados en modelos físicos a menudo dependen de suposiciones complejas, aproximaciones y altos costos computacionales, lo que limita su aplicación práctica. Si bien el aprendizaje automático ofrece una alternativa prometedora para la inversión rápida, existe la necesidad de modelos robustos que puedan cerrar la brecha entre las simulaciones sintéticas y los datos observacionales del mundo real, específicamente para la línea espectral Hα observada por el Explorador Solar Hα Chino (CHASE).

Metodología
Los autores proponen un marco de aprendizaje profundo que utiliza redes neuronales totalmente conectadas (FCNN) para realizar una inversión espectral rápida. La metodología procede a través de las siguientes etapas:

1. Generación del Conjunto de Datos: Los datos de entrenamiento se derivan de la base de datos F-CHROMA de RADYN (Código de Hidrodinámica Radiativa). Este conjunto de datos incluye 79 modelos de erupciones con índices espectrales, energías de corte y energías totales del haz variables (que van desde $3\times10^{10}$ hasta $1\times10^{12}$ erg cm$^{-2}$). Cada modelo proporciona perfiles espectrales Hα unidimensionales con resolución temporal (intervalos de 0.1 s) y distribuciones de altura correspondientes de densidad numérica de electrones, temperatura y velocidad del plasma (0–2000 km).
2. Preprocesamiento de Datos: Para alinear los datos sintéticos con las observaciones reales, los datos espectrales de RADYN sufren una convolución con la Función de Dispersión de Punto (PSF) para simular la resolución del espectrógrafo CHASE. Los datos se interpolan para coincidir con las características de observación de CHASE (64 puntos de longitud de onda dentro de 6562.82 Å ± 1.5 Å). Las distribuciones de parámetros físicos se interpolan a 400 puntos equiespaciados dentro del rango de alturas de 0–2000 km.
3. Arquitectura del Modelo: Se entrenan tres FCNN independientes para invertir la densidad numérica de electrones, la temperatura y la velocidad del plasma, respectivamente.
   • Entrada: Un vector de 64 dimensiones que representa las intensidades espectrales Hα.
   • Salida: Un vector de 400 dimensiones que representa la distribución vertical del parámetro físico objetivo.
   • Estructura: La red consta de una capa de entrada, múltiples capas ocultas con funciones de activación PReLU y regularización de dropout (tasa=0.2) para prevenir el sobreajuste. La arquitectura expande y contrae el espacio de características (64→128→256→512→1024→512→400).
   • Entrenamiento: Los modelos se entrenan utilizando el optimizador AdamW con pérdida de Error Cuadrático Medio (MSE). El conjunto de datos se divide en conjuntos de entrenamiento (70%), validación (10%) y prueba (20%), asegurando que el conjunto de prueba contenga eventos de erupción completamente separados.
4. Aplicación: Los modelos entrenados se aplican a datos espectrales Hα reales de CHASE de erupciones solares, incluyendo una erupción de clase X7.1 (1 de octubre de 2024), una erupción de clase M9.0 (10 de enero de 2025) y una erupción de clase C7.0 (31 de mayo de 2025).

Resultados Clave

• Rendimiento con Datos Sintéticos: Los modelos demuestran una alta consistencia con las simulaciones de RADYN. En el conjunto de prueba, los modelos logran tasas de error bajas:
  • Densidad Numérica de Electrones: RMSE de $5.47\times10^{13}$ cm$^{-3}$ y sMAPE de 6.32%.
  • Temperatura: RMSE de $3.03\times10^4$ K y sMAPE de 11.31%.
  • Velocidad del Plasma: RMSE de 20.96 km s$^{-1}$ y sMAPE de 18.47%.
  • Los modelos capturan con éxito la magnitud y la estructura de los perfiles dependientes de la altura a través de diferentes energías de erupción y fases evolutivas (fondo, ascenso, impulsiva, decaimiento).
• Aplicación al Mundo Real: Cuando se aplican a las observaciones de CHASE de la erupción X7.1, los modelos revelan una evolución espacial y temporal razonable de los parámetros físicos.
  • Durante el pico de la erupción, la cromosfera superior se calienta a temperaturas coronales.
  • Se identifica una región de condensación cromosférica cerca de 1400 km.
  • Los modelos reconstruyen con éxito representaciones 3D de la región de la erupción, visualizando cambios físicos a través de diferentes capas atmosféricas.
• Generalización: El marco se valida en erupciones de clase M y clase C, mostrando un rendimiento consistente en la captura de la evolución termodinámica y los campos de velocidad a través de una gama de magnitudes de erupciones.

Significado y Afirmaciones
El artículo afirma que este trabajo demuestra el potencial de las técnicas de aprendizaje profundo para la inversión espectral rápida y fiable, proporcionando nuevas herramientas para el diagnóstico de erupciones solares basadas en datos Hα. Las contribuciones clave incluyen:

• Eficiencia: El enfoque de aprendizaje profundo ofrece una alternativa rápida a los métodos de inversión física tradicionales, computacionalmente costosos.
• Puente Observacional: Al preprocesar los datos sintéticos de RADYN para coincidir con la resolución de CHASE, el estudio aplica con éxito modelos entrenados con simulaciones a observaciones reales de satélites.
• Capacidad de Diagnóstico: El método permite la recuperación de parámetros físicos clave (densidad, temperatura, velocidad) a partir de perfiles Hα, ofreciendo perspectivas sobre mecanismos de erupción como la reconexión magnética y la deposición de energía.

Limitaciones y Advertencias
Los autores señalan explícitamente varias limitaciones:

• Dependencia de Datos: Los resultados de las FCNN están fuertemente influenciados por los datos de entrenamiento (simulaciones de RADYN). Escenarios no representados en el conjunto de datos sintético (por ejemplo, perfiles espectrales anómalos) pueden conducir a inversiones inexactas.
• Restricciones Geométricas: El modelo asume un ángulo de visión vertical, lo que lo hace más aplicable a las regiones de cintillo de erupción cerca del centro del disco solar. Se considera poco fiable para bucles de erupción, eventos en el limbo o erupciones de filamentos debido a las variaciones no contabilizadas del centro al limbo.
• Restricciones Físicas: El modelo actual no impone restricciones físicas (por ejemplo, ecuaciones de estado) para evitar combinaciones no físicas de temperatura y densidad, lo que conduce a posibles degeneraciones.
• Ruido: Las inversiones de velocidad del plasma muestran discrepancias ligeramente mayores en comparación con la densidad y la temperatura, aunque aún reproducen las tendencias generales.

Los autores sugieren que el trabajo futuro podría incorporar líneas espectrales adicionales, expandir el conjunto de datos de entrenamiento e integrar restricciones físicas (como ecuaciones de estado) para mejorar la robustez y la consistencia termodinámica.