Time-domain anomalies in solar and stellar flares

技術要約：太陽および恒星フレアにおける時間領域のアノマリー（異常）

問題提起
太陽および恒星フレアの光度曲線は、通常、急速な立ち上がりと緩やかな減衰を特徴とする「標準的」なプロファイルを示す。この形態は、磁気リコネクションとその後のプラズマ冷却に起因するものとしばしば考えられている。しかし、観測される光度曲線は、複雑な物理プロセス（例：準周期脈動、修正されたエネルギー放出）や計器によるアーティファクト（人工的な誤差）によって、この標準的なシナリオから逸脱することが頻繁にある。これらの逸脱を検出することは、根底にあるプラズマ力学を理解する上で極めて重要であるが、大量のデータセットに対する目視検査は非効率であり、既存の教師あり機械学習手法は、特定の異常タイプのラベル付き事例を必要とする。したがって、特定の異常メカニズムに関する事前知識なしに、フレア光度曲線の統計的な時間領域のアノマリーを特定できる、自動化された教師なし学習手法が求められている。

手法
著者らは、Deep Support Vector Data Description (Deep SVDD) アルゴリズムに基づいた教師なしアノマリー検出フレームワークを提案している。その手法は以下の通りである。

1. 訓練データの生成： 実在の「正常な」フレアには未知のアノマリーが既に含まれている可能性があるため、モデルは45,000個のノイズのない合成フレア光度曲線を用いて訓練される。これらの曲線は、太陽および恒星フレアの両方を表す確立された解析的トレンドモデル（Davenport et al. 2014; Gryciuk et al. 2017; Broomhall et al. 2019）を用いて生成されている。観測条件をシミュレートするため、訓練中にノイズ対信号比（NSR）が0.01から0.1の範囲で、赤色雑音および白色雑音が動的に加えられている。
2. モデルアーキテクチャ： 特徴抽出器として全結合畳み込みニューラルネットワーク（FCN）を使用する。これは、入力された光度曲線（300データポイントに標準化済み）を、コンパクトな64次元の特徴空間へと写像する。Deep SVDDの目的関数は、ネットワークが「正常な」データを、この特徴空間内における半径 $R$ の超球体に写像するように訓練する。
3. アノマリー・スコアリング (FLAI)： 偏差を定量化するために、著者らはフレア・アノアリー・インデックス（FLAI）を導入した。テストサンプルの特徴ベクトルの中心からの距離 ($d$) を計算する。正常データの分布の裾（テイル）の部分 ($d > R$) に対して一般化パレート分布（GPD）を適合させ、与えられた距離が正常集団に属する確率 ($P_{tail}$) を推定する。FLAIは $1 - P_{tail}$ と定義される。
4. 分類： FLAIの値に基づき、フレアを以下の3つのクラスに分類する。
   • 正常データ (ND): $0.0 \le \text{FLAI} < 0.5$
   • 弱アノマリー (WA): $0.5 \le \text{FLAI} < 0.95$
   • 強アノマリー (SA): $\text{FLAI} \ge 0.95$

主な結果
モデルは、2つの異なる観測データセット（Keplerフレアカタログ（可視光）およびSolar OrbiterのSpectrometer/Telescope for Imaging X-rays (STIX) フレアリスト）に適用された。

• Keplerデータ： 2,274個の恒星フレア光度曲線の解析により、大多数のイベントが「正常な」集団から逸脱していることが明らかになった。具体的には、36.2%のイベントが弱アノマリー（WA）に、30.0%が強アノマリー（SA）に分類された。SAサンプルの目視検査では複数の顕著なピークが見られ、WAサンプルはより高い変調振幅を示した。
• STIXデータ： M型およびX型の太陽フレアを、2つのエネルギーチャネル（4–10 keV：低エネルギー、熱的支配型、および15–25 keV：高エネルギー、熱的/非熱的混合型）について解析した。
  • 低エネルギー (4–10 keV)： 70.0%のイベントが正常であり、15.2%がWA、14.8%がSAであった。
  • 高エネルギー (15–25 keV)： 正常なものはわずか42.5%であり、25.5%がWA、32.0%がSAであった。
  • 高エネルギーチャネルは、低エネルギーチャネルと比較して有意に高い割合のアノマリー・フレアを示しており、これは衝動的な非熱的プロセスが形態的な複雑さを導入していることを示唆している。
• 一貫性： 準周期脈動（QPP）を検出するための畳み込みニューラルネットワーク（FCN）を用いた先行研究とのクロスリファレンスにおいて、Deep SVDDモデルはそれらQPPイベントの大部分をアノマリー（WAまたはSA）として分類しており、両アプローチ間の整合性が示された。
• アノマリーのタイプ： WAおよびSAイベントのサブセットの目視検査により、高いFLAI値は多峰性/マルチピーク、QPP、および計器によるアーティファクトと相関していることが判明した。QPPクラスは、振動振幅の幅広い範囲を反映して、最も広いFLAI分布を示した。

意義と主張
本論文は、太陽および恒星の両方のフレアが、モデル訓練に使用された標準的なフレアシナリオから頻繁に逸脱していると主張している。アノマリーの高い発生率（特に恒星の可視光および太陽の高エネルギーX線において）は、標準的なモデルがエネルギー放出および散逸メカニズムの複雑さを完全には捉えきれていない可能性を示唆している。著者らは、これらの逸脱が以下を示している可能性があると述べている。

• 修正されたエネルギー放出および散逸プロセス。
• フレアサイトにおける波および振動プロセス（QPPなど）の発達。
• 太陽と恒星の環境間における、支配的な冷却メカニズムまたは大気構造の違い。

本研究は、教師なしDeep SVDDモデルが大規模なフレアデータセットを効果的にマイニングし、統計的な時間領域のアノマリーを特定できることを実証しており、これは、さらなる物理的研究を必要とするイベントを浮き彫りにすることで、既存のフレアモデルを制約し改善するためのツールとなる。なお、著者らは、本モデルは物理的なアノマリーと計器によるアーティファクトを区別しないこと、および分類境界は訓練分布に基づく統計的な推定値であることを注記している。