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

Résumé technique : SuNeRF-CME

Énoncé du problème
Les éjections de masse coronale (EMC) présentent des risques majeurs pour la météorologie de l'espace, ce qui rend nécessaire une caractérisation précise en 3D de leur densité de plasma, de leur direction de propagation et de leur vitesse. Bien que les coronographes en lumière blanche permettent une surveillance directe des EMC via la lumière diffusée par Thomson par les électrons libres, la reconstruction de la distribution 3D du plasma à partir de données d'imagerie 2D est intrinsèquement difficile. Le problème est mal posé en raison de la nature optiquement mince du plasma, de la dépendance complexe au point de vue de la diffusion Thomson, et de la rareté des points de vue simultanés (souvent limités à deux ou trois). Les méthodes traditionnelles, telles que le modèle de coque cylindrique graduée (GCS) ou la triangulation stéréoscopique, reposent souvent sur des approximations géométriques ou des hypothèses statiques qui échouent à capturer les déformations complexes, les structures internes ou l'évolution dépendante du temps, conduisant à des écarts systématiques et à des « trajectoires fantômes ».

Méthodologie
Les auteurs présentent SuNeRF-CME (Sun Neural Radiance Fields for CMEs), un cadre qui combine les Champs de Radiance Neuronaux (NeRF) avec des Réseaux de Neurones Informés par la Physique (PINN) pour effectuer une reconstruction tomographique 3D de l'héliosphère.

• Représentation neuronale : Au lieu d'utiliser des grilles explicites, le volume 3D est représenté par un réseau de neurones (spécifiquement une architecture SIREN) qui mappe les coordonnées spatio-temporelles $(x, y, z, t)$ vers des grandeurs physiques : la densité électronique logarithmique ($\ln \rho$) et les vecteurs vitesse ($\vec{v}$). Cela fournit une paramétrisation implicite continue et économe en mémoire du volume 4D.
• Modèle direct : La méthode emploie un modèle direct physiquement cohérent basé sur Billings (1966) pour simuler la diffusion Thomson. Elle calcule la luminosité totale ($tB$) et la luminosité polarisée ($pB$) en intégrant la densité électronique modélisée le long des lignes de visée, en tenant compte de l'angle de diffusion, de l'assombrissement du disque solaire et de l'étendue angulaire finie du disque solaire.
• Contraintes informées par la physique : Pour atténuer le caractère mal posé de l'inversion causé par des points de vue épars, le cadre intègre des contraintes physiques via une approche PINN. La fonction de perte inclut :
  • Équation de continuité : Imposant la conservation de la masse ($\partial_t \rho + \nabla \cdot (\rho \vec{v}) = 0$) pour coupler la dynamique de densité avec la vitesse.
  • Régularisation radiale : Contrainte le vent solaire de fond à être approximativement radial.
  • Bornes de vitesse : Imposant des vitesses de vent solaire dans une plage réaliste (200–800 km s$^{-1}$) pour supprimer les nuages statiques non physiques ou les trajectoires fantômes.
• Optimisation : Le réseau est entraîné à partir de zéro pour chaque événement EMC spécifique en minimisant une fonction de perte combinée comprenant des erreurs basées sur l'image (norme $L_2$ logarithmique de $tB$, $pB$ et de leur rapport) et des résidus basés sur la physique.

Contributions clés

1. Premier NeRF informé par la physique pour les EMC : Ce travail présente la première implémentation d'un Champ de Radiance Neuronale informé par la physique spécifiquement pour la tomographie des EMC, adaptant les NeRF du domaine EUV aux données coronographiques en lumière blanche.
2. Reconstruction à partir de points de vue épars : La méthode démontre sa capacité à reconstruire de manière fiable des structures 3D d'EMC à partir de seulement deux points de vue, un scénario où la tomographie classique échoue souvent.
3. Intégration de la dynamique : Contrairement aux méthodes de reconstruction statique, SuNeRF-CME modélise explicitement l'évolution dépendante du temps du plasma, capturant les déformations et la dynamique de propagation sans dépendre de la rotation solaire pour des contraintes supplémentaires.
4. Cadre de validation : L'étude utilise le jeu de données « CME Challenge » (observations synthétiques du modèle GAMERA-Helio) pour quantifier rigoureusement les performances par rapport aux distributions de densité électronique de référence à travers diverses configurations d'observateurs.

Résultats
En utilisant des observations synthétiques, les auteurs ont évalué les performances de la méthode à travers différentes configurations de points de vue :

• Estimation des paramètres : À partir de deux points de vue séparés par 60°, la méthode a atteint des erreurs moyennes de 3,39 ± 1,94° en latitude, 1,76 ± 0,79° en longitude, et 3,01 ± 1,94 % pour la vitesse du front de choc. Ces résultats représentent une amélioration d'un facteur d'environ deux à quatre par rapport aux résultats d'ajustement GCS traditionnels rapportés dans la littérature précédente.
• Récupération de la structure 3D : Le modèle a reconstruit avec succès la « structure en trois parties » (cœur brillant, cavité sombre, front brillant) et les variations internes du plasma des EMC simulées à partir de deux points de vue. Il a capturé les fronts d'EMC déformés et la localisation du front de choc, bien que les structures du vent solaire de fond restent plus difficiles à résoudre avec des données éparces.
• Dépendance au point de vue : Les performances s'améliorent avec le nombre de points de vue (le coefficient de corrélation passant de 0,92 pour trois points de vue à 0,99 pour tous les points de vue disponibles). Les reconstructions se sont révélées moins fiables dans le plan de l'observateur (écliptique) par rapport aux vues hors plan.
• Rôle de la polarisation : L'inclusion de la luminosité polarisée ($pB$) a considérablement amélioré la qualité de la reconstruction. Une seule observation $pB$ combinée à la luminosité totale ($tB$) provenant d'autres points de vue pouvait efficacement remplacer un point de vue supplémentaire uniquement en $tB$, réduisant les ambiguïtés de ligne de visée.
• Contraintes physiques : Des études d'ablation ont confirmé que les pertes informées par la physique sont critiques ; leur suppression a conduit à des dérives non physiques de la direction de propagation et de la masse, tandis qu'un pondération modérée (10$^{-2}$–10$^{-1}$) a produit une stabilité optimale.
• Robustesse au bruit : La méthode est restée stable jusqu'à des niveaux de bruit de 5 % de la luminosité moyenne (SNR = 20), bien que les performances se soient dégradées dans les régions extérieures faibles où les rapports signal sur bruit chutent.

Signification et affirmations
L'article affirme que SuNeRF-CME démontre le potentiel des méthodes de champs de radiance informés par la physique pour la tomographie des EMC. En traitant le réseau de neurones comme une représentation fonctionnelle continue plutôt que comme un modèle génératif entraîné sur une population, la méthode reconstruit directement des scènes spécifiques à partir des données multi-vues disponibles. Les auteurs soulignent que cette approche fournit une solution pilotée par les données et spécifique à l'événement qui surmonte les limites des approximations géométriques et des hypothèses statiques.

L'étude conclut que, bien que les résultats actuels soient limités à des données synthétiques, le cadre ouvre la voie à de futures extensions vers des données observationnelles réelles et des applications de météorologie de l'espace. Les auteurs notent que la capacité de la méthode à intégrer des contraintes physiques directement dans le processus d'optimisation lui permet de gérer des données éparces et des entrées bruyantes de manière plus robuste que les techniques d'inversion classiques, offrant une voie prometteuse vers une surveillance 3D en temps réel de la dynamique du plasma héliosphérique.