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

Titolo: Previsione della termodinamica nella cromosfera tramite la traduzione dei dati SDO in risultati di inversione IRIS2 utilizzando un modello Visual Transformer

1. Il Problema Scientifico

La cromosfera solare è uno strato atmosferico complesso caratterizzato da rapide variazioni spaziali e temporali delle proprietà termodinamiche e del campo magnetico (plasma-β). La sua interpretazione è resa difficile dalle condizioni di non-equilibrio termodinamico locale (non-LTE) e dalla necessità di modellare effetti fisici complessi come l'effetto Zeeman, la ridistribuzione parziale della radiazione e la polarizzazione atomica.
Attualmente, l'unico metodo per derivare parametri termodinamici accurati (temperatura $T$, velocità lungo la linea di vista $v_{los}$, velocità turbolenta $v_{turb}$, densità elettronica $n_e$) dai dati osservativi è l'inversione spettroscopica delle linee Mg II h&k osservate dal telescopio IRIS. Tuttavia, questo processo è computazionalmente costoso e richiede tempi lunghi, rendendo difficile l'analisi di grandi volumi di dati o l'applicazione in tempo reale. Inoltre, IRIS ha un campo di vista (FoV) limitato, mentre il Solar Dynamics Observatory (SDO) osserva l'intero disco solare ma con una risoluzione spaziale inferiore e senza capacità di inversione diretta della cromosfera.

2. Metodologia: SDO2IRIS2

Gli autori hanno sviluppato SDO2IRIS2, un modello di Machine Learning basato su un Visual Transformer (ViT) progettato per tradurre le immagini di intensità di SDO/AIA e il magnetogramma di SDO/HMI in parametri termodinamici cromosferici.

• Dataset di Addestramento:

  • Target: 1585 dataset IRIS (linee Mg II h&k) invertiti con il codice IRIS2, che forniscono mappe stratificate in profondità ottica ($\tau$) di $T$, $v_{los}$, $v_{turb}$ e $n_e$ a tre livelli cromosferici ($\log(\tau) = -5.2, -4.2, -3.2$).
  • Input: Immagini di SDO/AIA (bande 171, 193, 304, 1600, 1700 Å) e magnetogramma di SDO/HMI (linea Fe I 6173 Å).
  • Pre-elaborazione: I dati SDO/AIA sono stati "ricuciti" in raster simili alla fessura di IRIS (slit-like rasters) per garantire la co-alineamento spaziale e temporale con le osservazioni IRIS. Sono stati rimossi i dati affetti dall'Anomalia del Sud Atlantico (SAA).

• Architettura del Modello:

  • Il modello è un Image-to-Image Vision Transformer.
  • Input: Un'immagine composta da canali AIA, HMI e codifica di posizione (positional encoding) per fornire contesto spaziale.
  • Meccanismo: L'immagine viene suddivisa in patch non sovrapposte, proiettate in token e processate da un encoder Transformer (con attenzione multi-testa) per catturare contesti locali e globali. Un decoder produce i parametri termodinamici target.
  • Funzione di Perdita (Loss): Una combinazione di perdita L1 pixel-per-pixel e una perdita basata sui gradienti spaziali (per mantenere la coerenza strutturale tra previsione e target).
  • Flessibilità: Il modello accetta input di dimensioni spaziali variabili tramite padding zero e finestre scorrevoli (rolling-patches), permettendone l'uso su qualsiasi campo di vista SDO.

• Esperimenti: Sono state testate diverse combinazioni di canali AIA (singoli, inferiori, tutti) con e senza il magnetogramma HMI, confrontandole con una rete neurale profonda (DNN) di base.

3. Risultati Chiave

L'analisi statistica su un set di test (185 dataset) ha rivelato le seguenti prestazioni:

• Correlazione per Temperatura ($T$) e Densità Elettronica ($n_e$):
  • Si osserva una forte correlazione lineare (coefficiente di Pearson $r \approx 0.80$) per circa l'80% dei dati nei livelli di alta e media cromosfera ($\log(\tau) = -5.2$ e $-4.2$).
  • La correlazione è moderata nella regione di minimo di temperatura ($\log(\tau) = -3.2$).
• Correlazione per Velocità Turbolenta ($v_{turb}$):
  • Si registra una correlazione da moderata a forte ($r \approx 0.63$) per circa il 70% dei dati negli stessi livelli.
• Correlazione per Velocità Longitudinale ($v_{los}$):
  • La correlazione è debole in tutti i livelli ottici. Sebbene il modello catturi il comportamento generale, i valori previsti sono sistematicamente inferiori a quelli ottenuti con IRIS2.
• Impatto dei Canali di Input:
  • Le analisi dei valori di Shapley indicano che i canali AIA 1600 Å, 1700 Å e 304 Å sono i contributori principali alla previsione.
  • L'inclusione del magnetogramma HMI migliora leggermente la correlazione e la rappresentazione delle strutture magnetiche, ma non è strettamente necessaria per ottenere risultati forti.
  • L'uso di tutti i canali AIA (inclusi quelli coronali) offre benefici marginali o, in alcuni casi, riduce leggermente le prestazioni per la turbolenza nella regione di minimo di temperatura.
• Efficienza Computazionale:
  • Il tempo di esecuzione è dell'ordine di pochi minuti: $\le 10$ minuti su CPU e $\le 5$ minuti su GPU, un miglioramento drastico rispetto ai tempi di inversione IRIS2.

4. Contributi e Limitazioni

• Contributi:
  • SDO2IRIS2 permette di estrarre parametri termodinamici cromosferici da dati SDO (disco completo) utilizzando IRIS come "ground truth" per l'addestramento.
  • Offre una nuova dimensione ai dati SDO, permettendo studi statistici su larga scala della cromosfera anche quando IRIS non sta osservando.
  • Il modello è in grado di gestire campi di vista arbitrari, superando i limiti di dimensione fissa delle reti neurali tradizionali.
• Limitazioni:
  • Non è affidabile vicino al bordo del disco solare (limb), poiché i dati di addestramento sono stati esclusi per $r > 750''$.
  • La previsione di $v_{los}$ rimane problematica.
  • Il modello può replicare artefatti presenti nei dati di addestramento (es. linee di riferimento fiduciali) o introdurre errori di bordatura dovuti al padding.
  • La risoluzione spaziale inferiore di AIA rispetto a IRIS può portare a una perdita di dettagli fini (es. ponti di luce nelle macchie solari).

5. Significato Scientifico

SDO2IRIS2 rappresenta un passo avanti significativo nell'astrofisica solare, colmando il divario tra l'osservazione ad alta risoluzione ma limitata di IRIS e l'osservazione globale ma a risoluzione inferiore di SDO.

• Sinergia: Permette di utilizzare l'intero archivio dati SDO (dal 2010) per ottenere stime termodinamiche della cromosfera, aumentando enormemente la quantità di dati analizzabili.
• Applicabilità: Può essere utilizzato come risultato autonomo o come informazione complementare per dati osservati simultaneamente da altri strumenti.
• Futuro: Gli autori propongono l'evoluzione del modello verso AIA2IRIS2+, includendo linee fotosferiche e del C II per coprire un intervallo di profondità ottica più ampio, dalla fotosfera media-alta alla cromosfera alta.

In sintesi, questo lavoro dimostra che i modelli di Visual Transformer possono apprendere efficacemente la fisica complessa della cromosfera solare, trasformando immagini di banda larga in parametri fisici fondamentali con un'efficienza computazionale senza precedenti.