3DSTokesFlow: simulation-based inference for 3D Stokes profiles using flow matching

Sintesi Tecnica di 3DStokesFlow: Inferenza Basata su Simulazioni per Profili Stokes 3D Utilizzando il Flow Matching

Definizione del Problema
L'interpretazione dei profili Stokes osservati per inferire le condizioni atmosferiche solari è un problema mal posto, caratterizzato da rumore osservativo e degenerazioni matematiche (ad esempio, l'ambiguità di $180^\circ$ dell'azimut del campo magnetico). I codici di inversione tradizionali pixel-per-pixel (1D) forniscono stime puntuali con una quantificazione dell'incertezza inaffidabile, spesso fallendo nel catturare le complesse distribuzioni posteriori necessarie per un'inferenza probabilistica rigorosa. Inoltre, gli esistenti framework basati sull'apprendimento automatico sono ampiamente limitati a configurazioni spaziali 1D, trascurando le cruciali correlazioni spaziali tra pixel vicini. L'inversione di un intero campo visivo (FoV) 2D con stratificazione in altezza risulta in una distribuzione posteriore di dimensionalità estremamente elevata (ad esempio, mezzo milione di dimensioni per una mappa $100 \times 100$ pixel), rendendo l'inferenza bayesiana standard computazionalmente intrattabile.

Metodologia
Gli autori introducono 3DStokesFlow, un nuovo framework basato sul conditional flow matching per eseguire un'inferenza bayesiana veloce e scalabile attraverso un intero FoV 2D.

• Strategia di Modellazione Generativa: Il metodo tratta l'inversione come un problema generativo, apprendendo una trasformazione continua (flusso) che mappa una semplice distribuzione di base (Gaussiana standard) verso la complessa distribuzione posteriore dei parametri atmosferici condizionata dai profili Stokes osservati.
• Flow Matching: Invece di apprendere il flusso direttamente, il modello apprende un campo vettoriale dipendente dal tempo $v_\theta(x)$ utilizzando una funzione di perdita condizionata. Definendo un percorso di trasporto ottimale tra un campione di rumore $X_0$ e un campione di dati target $X_1$ (dove $X_t = (1-t)X_0 + tX_1$), il modello minimizza la differenza tra il campo vettoriale appreso e il campo vettoriale target costante $(X_1 - X_0)$. Questo evita la necessità di conoscere il vero e intrattabile campo vettoriale target.
• Architettura:
  • Condizionamento: Una U-Net estrae caratteristiche spaziali multi-scala dai profili Stokes osservati (coppia di righe Fe I 630 nm) per creare una rappresentazione latente.
  • Modello di Velocità: Una seconda U-Net prende in input la concatenazione dello stato corrente ($X_t$), la rappresentazione latente di condizionamento e il passo temporale $t$ per predire il campo vettoriale.
• Dati di Addestramento: Il modello è addestrato su realistiche simulazioni magnetoidrodinamiche (MHD) del Sole quiescente (dal progetto SPIN4D) generate con il codice MURaM. Il set di addestramento include varie configurazioni magnetiche (da campo nullo a polarità miste) e copre un intervallo di profondità ottiche. I profili Stokes sintetici sono convoluti con le funzioni di risposta del punto (PSF) di Hinode/SOT e includono rumore Gaussiano.
• Inferenza: Una volta addestrato, il modello campiona dalla distribuzione di base e integra il campo vettoriale appreso, condizionato dai profili Stokes osservati, per generare campioni dalla distribuzione posteriore dei parametri atmosferici.

Contributi Chiave e Risultati

• Stratificazione 3D e Incertezza: La validazione su dataset sintetici indipendenti dimostra che il modello cattura accuratamente la vera stratificazione 3D dei parametri termodinamici (temperatura, pressione, velocità) e magnetici. Fondamentalmente, fornisce distribuzioni posteriori affidabili (mediana e percentili) piuttosto che singole stime puntuali.
• Scala di Altezza Geometrica: A differenza delle inversioni tradizionali che operano in profondità ottica, il modello inferisce una scala di altezza geometrica. Ciò consente la ricostruzione dei parametri fisici come funzione dell'altezza geometrica, tenendo conto delle depressioni di Wilson e delle variazioni di densità.
• Disambiguazione e Correnti: Sfruttando l'altezza geometrica inferita e le correlazioni spaziali, il modello consente una robusta disambiguazione delle componenti trasversali del campo magnetico senza richiedere complessi metodi di estrapolazione del campo. Ciò permette il calcolo diretto delle mappe della densità di corrente elettrica ($J$) e delle forze di Lorentz.
• Mappe di Dissipazione: Il framework facilita il calcolo delle mappe di dissipazione ohmica e ambipolare nella fotosfera direttamente dalle osservazioni.
• Applicazione a Dati Reali:
  • Sole Quiescente: Applicato alle osservazioni del Sole quiescente con Hinode/SP, il modello rivela correnti elettriche altamente localizzate ai confini magnetici e produce mappe di dissipazione coerenti con le aspettative teoriche (dissipazione ohmica localizzata ai bordi magnetici; dissipazione ambipolare in regioni con campi trasversali misurabili).
  • Emergenza di Loop: Il modello traccia con successo la geometria 3D di piccoli loop magnetici emergenti, ricostruendo la loro evoluzione dalla fotosfera fino a $\sim300$ km, confermando la struttura a loop in una scala di altezza geometrica coerente.

Significatività e Rivendicazioni
L'articolo afferma che 3DStokesFlow rappresenta un avanzamento significativo consentendo un'inferenza bayesiana veloce e scalabile per interi FoV 2D sfruttando le correlazioni spaziali. Gli autori sottolineano che questo approccio va oltre i limiti delle inversioni 1D pixel-per-pixel e dei precedenti tentativi di machine learning limitati ad atmosfere 1D.

La significatività primaria risiede nella capacità di:

1. Fornire distribuzioni posteriori affidabili per i parametri atmosferici, offrendo una rigorosa quantificazione delle incertezze.
2. Derivare informazioni sull'altezza geometrica direttamente dall'inversione, il che è tipicamente un vincolo difficile da soddisfare.
3. Calcolare densità di corrente elettrica e mappe di dissipazione puramente dalle osservazioni senza fare affidamento su ipotesi aggiuntive come l'equilibrio magnetoidrostatico o l'estrapolazione del campo, che erano precedentemente necessari per tali calcoli.

Gli autori notano che l'attuale implementazione è limitata alle regioni fotosferiche del Sole quiescente e alle osservazioni al centro del disco della coppia Fe I 630 nm, poiché queste sono le simulazioni MHD più realistiche e disponibili. Riconoscono che l'estensione del metodo ad aree attive, strati atmosferici superiori e risoluzioni spaziali più elevate (ad es. DKIST) richiede un ulteriore sviluppo, potenzialmente coinvolgendo la modellazione dello spazio latente o encoder basati su transformer. Tuttavia, il presente lavoro stabilisce un "proof-of-concept" per l'inferenza basata su simulazioni che produce mappe 3D fisicamente coerenti dell'atmosfera solare.