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

기술 요약: 심층 학습을 통한 RADYN 데이터셋 기반 태양 플레어 중 CHASE Hα 스펙트럼 선의 역산

문제 제기
태양 플레어는 태양 대기에서 발생하는 강력한 에너지 방출로, 전자 수 밀도, 온도, 플라즈마 속도 등 물리 매개변수의 급격한 변화를 유발합니다. 이러한 매개변수를 정확하게 측정하는 것은 플레어 메커니즘을 이해하고 분출 예측을 개선하는 데 필수적입니다. 그러나 직접 측정은 기술적으로 어렵기 때문에, 이러한 매개변수들은 일반적으로 관측된 스펙트럼 특징으로부터 추론됩니다. 물리 모델에 기반한 전통적인 역산 방법은 종종 복잡한 가정, 근사, 그리고 높은 계산 비용을 필요로 하여 실제 적용을 제한합니다. 기계 학습이 신속한 역산을 위한 유망한 대안을 제시하지만, 특히 중국 Hα 태양 탐사선 (CHASE) 이 관측한 Hα 스펙트럼 선에 대해 합성 시뮬레이션과 실제 관측 데이터 간의 격차를 메울 수 있는 견고한 모델의 필요성이 있습니다.

방법론
저자들은 신속한 스펙트럼 역산을 수행하기 위해 완전 연결 신경망 (FCNN) 을 활용한 심층 학습 프레임워크를 제안합니다. 방법론은 다음과 같은 단계를 거쳐 진행됩니다:

1. 데이터셋 생성: 훈련 데이터는 RADYN (Radiative Hydrodynamics Code) F-CHROMA 데이터베이스에서 파생되었습니다. 이 데이터셋은 다양한 스펙트럼 지수, 차단 에너지, 총 빔 에너지 ($3\times10^{10}$에서 $1\times10^{12}$ erg cm$^{-2}$ 범위) 를 가진 79 개의 플레어 모델을 포함합니다. 각 모델은 시간 분해된 (0.1 초 간격) 1 차원 Hα 스펙트럼 프로파일과 전자 수 밀도, 온도, 플라즈마 속도의 고도 분포 (0–2000 km) 를 제공합니다.
2. 데이터 전처리: 합성 데이터를 실제 관측과 정렬하기 위해, RADYN 스펙트럼 데이터는 CHASE 분광기의 해상도를 시뮬레이션하기 위해 점 확산 함수 (PSF) 컨볼루션을 거칩니다. 데이터는 CHASE 관측 특징 (6562.82 Å ± 1.5 Å 내의 64 개 파장 점) 에 맞춰 보간됩니다. 물리 매개변수 분포는 0–2000 km 고도 범위 내의 400 개 등간격 점으로 보간됩니다.
3. 모델 아키텍처: 전자 수 밀도, 온도, 플라즈마 속도를 각각 역산하기 위해 세 개의 독립적인 FCNN 이 훈련됩니다.
   • 입력: Hα 스펙트럼 강도를 나타내는 64 차원 벡터.
   • 출력: 대상 물리 매개변수의 수직 분포를 나타내는 400 차원 벡터.
   • 구조: 네트워크는 입력 레이어, PReLU 활성화 함수를 가진 여러 은닉 레이어, 그리고 과적합을 방지하기 위한 드롭아웃 정규화 (비율=0.2) 로 구성됩니다. 아키텍처는 특징 공간을 확장하고 축소합니다 (64→128→256→512→1024→512→400).
   • 훈련: 모델은 평균 제곱 오차 (MSE) 손실을 사용하여 AdamW 옵티마이저로 훈련됩니다. 데이터셋은 훈련 (70%), 검증 (10%), 테스트 (20%) 세트로 분할되며, 테스트 세트에는 완전히 별도의 플레어 사건이 포함되도록 합니다.
4. 적용: 훈련된 모델은 태양 플레어에 대한 실제 CHASE Hα 스펙트럼 데이터에 적용됩니다. 여기에는 X7.1 급 플레어 (2024 년 10 월 1 일), M9.0 급 플레어 (2025 년 1 월 10 일), C7.0 급 플레어 (2025 년 5 월 31 일) 가 포함됩니다.

주요 결과

• 합성 데이터 성능: 모델들은 RADYN 시뮬레이션과 높은 일관성을 보입니다. 테스트 세트에서 모델은 낮은 오차율을 달성합니다:
  • 전자 수 밀도: RMSE $5.47\times10^{13}$ cm$^{-3}$ 및 sMAPE 6.32%.
  • 온도: RMSE $3.03\times10^4$ K 및 sMAPE 11.31%.
  • 플라즈마 속도: RMSE 20.96 km s$^{-1}$ 및 sMAPE 18.47%.
  • 모델들은 다양한 플레어 에너지와 진화 단계 (배경, 상승, 충격적, 감쇠) 에 걸쳐 고도 의존적 프로파일의 크기와 구조를 성공적으로 포착합니다.
• 실제 적용: X7.1 플레어에 대한 CHASE 관측에 적용되었을 때, 모델들은 물리 매개변수의 합리적인 공간적 및 시간적 진화를 보여줍니다.
  • 플레어 극대기 동안 상부 색구층은 코로나 온도로 가열됩니다.
  • 약 1400 km 부근에서 색구층 응축 영역이 확인됩니다.
  • 모델들은 플레어 영역의 3 차원 표현을 성공적으로 재구성하여 다양한 대기 층에 걸친 물리적 변화를 시각화합니다.
• 일반화: 프레임워크는 M 급 및 C 급 플레어에서 검증되었으며, 다양한 플레어 크기에 걸쳐 열역학적 진화와 속도장을 포착하는 일관된 성능을 보입니다.

의의 및 주장
본 논문은 이 작업이 Hα 데이터 기반 태양 플레어 진단을 위한 새로운 도구를 제공하면서, 빠르고 신뢰할 수 있는 스펙트럼 역산을 위한 심층 학습 기법의 잠재력을 보여준다고 주장합니다. 주요 기여점은 다음과 같습니다:

• 효율성: 심층 학습 접근법은 전통적이고 계산 비용이 많이 드는 물리 역산 방법에 대한 신속한 대안을 제공합니다.
• 관측 연결: 합성 RADYN 데이터를 CHASE 해상도에 맞게 전처리함으로써, 시뮬레이션으로 훈련된 모델을 실제 위성 관측에 성공적으로 적용합니다.
• 진단 능력: 이 방법은 Hα 프로파일로부터 주요 물리 매개변수 (밀도, 온도, 속도) 를 추출하여 자기 재결합 및 에너지 주입과 같은 플레어 메커니즘에 대한 통찰력을 제공합니다.

한계 및 주의사항
저자들은 명시적으로 몇 가지 한계를 지적합니다:

• 데이터 의존성: FCNN 결과는 훈련 데이터 (RADYN 시뮬레이션) 에 크게 영향을 받습니다. 합성 데이터셋에 표현되지 않은 시나리오 (예: 비정상적인 스펙트럼 프로파일) 는 부정확한 역산으로 이어질 수 있습니다.
• 기하학적 제약: 모델은 수직 관측 각도를 가정하므로 태양 원반 중심 근처의 플레어 리본 영역에 가장 적합합니다. 중심에서 가장자리까지의 변화를 고려하지 않았기 때문에 플레어 루프, limb 사건, 또는 필라멘트 분출에는 신뢰할 수 없는 것으로 간주됩니다.
• 물리적 제약: 현재 모델은 온도와 밀도의 비물리적 조합을 방지하기 위해 물리적 제약 (예: 상태 방정식) 을 부과하지 않아, 잠재적인 퇴화 현상이 발생할 수 있습니다.
• 노이즈: 플라즈마 속도 역산은 밀도와 온도에 비해 약간 더 큰 불일치를 보이지만, 전반적인 경향은 여전히 재현합니다.

저자들은 향후 연구에서 추가적인 스펙트럼 선을 포함하고, 훈련 데이터셋을 확장하며, 견고성과 열역학적 일관성을 개선하기 위해 물리적 제약 (예: 상태 방정식) 을 통합할 것을 제안합니다.