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

Technische Samenvatting van 3DStokesFlow: Simulatie-gebaseerde Inferentie voor 3D Stokes-profielen met behulp van Flow Matching

Probleemstelling
De interpretatie van geobserveerde Stokes-profielen om de atmosferische condities van de zon te herleiden, is een slecht gedefinieerd probleem dat wordt gekenmerkt door observationele ruis en wiskundige degeneraties (bijv. de $180^\circ$-ambiguïteit in de magnetische azimut). Traditionele pixel-voor-pixel (1D) inversiecodes leveren puntramingen met onbetrouwbare onzekerheidskwantificering, en slagen er vaak niet in de complexe posterieure distributies te vatten die nodig zijn voor rigoureuze probabilistische inferentie. Bovendien zijn bestaande op machine learning gebaseerde Bayesiaanse kaders grotendeels beperkt tot 1D ruimtelijke configuraties, waarbij ze de cruciale ruimtelijke correlaties tussen naburige pixels verwaarlozen. Het inverteren van een volledig 2D gezichtsveld (FoV) met hoogte-stratificatie resulteert in een posterieure distributie met een extreem hoge dimensionaliteit (bijv. een half miljoen dimensies voor een $100 \times 100$ pixel kaart), wat standaard Bayesiaanse inferentie computationeel onuitvoerbaar maakt.

Methodologie
De auteurs introduceren 3DStokesFlow, een nieuw kader gebaseerd op conditionele flow matching om snelle, schaalbare Bayesiaanse inferentie over een volledig 2D gezichtsveld (FoV) uit te voeren.

• Generatief modelleringsstrategie: De methode behandelt de inversie als een generatief probleem, waarbij een continue transformatie (flow) wordt geleerd die een eenvoudige basisdistributie (standaard Gaussische verdeling) mapt naar de complexe posterieure distributie van atmosferische parameters, geconditioneerd op geobserveerde Stokes-profielen.
• Flow Matching: In plaats van de flow direct te leren, leert het model een tijdsafhankelijke vectorveld $v_\theta(x)$ met behulp van een conditionele verliesfunctie. Door een optimaal transportpad te definiëren tussen een ruis-monster $X_0$ en een doel-monster $X_1$ (waarbij $X_t = (1-t)X_0 + tX_1$), minimaliseert het model het verschil tussen het geleerde vectorveld en het constante doel-vectorveld $(X_1 - X_0)$. Dit omzeilt de noodzaak om het werkelijke, onberekenbare doel-vectorveld te kennen.
• Architectuur:
  • Conditionering: Een U-Net extraheert multi-schaal ruimtelijke kenmerken uit de geobserveerde Stokes-profielen (Fe I 630 nm lijnenpaar) om een latente representatie te creëren.
  • Velocity Model: Een tweede U-Net neemt de concatenatie van de huidige staat ($X_t$), de conditionele latente representatie en de tijdstap $t$ als input om het vectorveld te voorspellen.
• Trainingsdata: Het model wordt getraind op realistische 3D magnetohydrodynamische (MHD) simulaties van de rustige zon (uit het SPIN4D-project), gegenereerd met de MURaM-code. De trainingsset bevat diverse magnetische configuraties (van nulveld tot gemengde polariteiten) en dekt een bereik aan optische dieptes. De synthetische Stokes-profielen zijn geconvolveerd met de Hinode/SOT point spread functions en bevatten Gaussische ruis.
• Inferentie: Na training genereert het model monsters uit de basisdistributie en integreert het geleerde vectorveld, geconditioneerd op de geobserveerde Stokes-profielen, om monsters te generen uit de posterieure distributie van atmosferische parameters.

Belangrijkste Bijdragen en Resultaten

• 3D Stratificatie en Onzekerheid: Validatie op onafhankelijke synthetische datasets toont aan dat het model de ware 3D-stratificatie van thermodynamische (temperatuur, druk, snelheid) en magnetische parameters nauwkeurig vastlegt. Cruciaal is dat het betrouwbare posterieure distributies (mediaan en percentielen) biedt in plaats van enkelvoudige puntramingen.
• Geometrische Hohteschaal: In tegenstelling tot traditionele inversies die opereren in optische diepte, verifieert het model een geometrische hoogte-schaal. Dit maakt de reconstructie van fysieke parameters als functie van de geometrische hoogte mogelijk, waarbij rekening wordt gehouden met Wilson-depressies en dichtheidsvariaties.
• Disambiguatie en Stromen: Door gebruik te maken van de geïnferieerde geometrische hoogte en ruimtelijke correlaties, stelt het model een robuuste disambiguatie van de transversale magnetische componenten mogelijk zonder dat complexe veldextrapolatiemethoden nodig zijn. Dit maakt de directe berekening van elektrische stroomdichtheidskaarten ($J$) en Lorentzkrachten mogelijk.
• Dissipatiekaarten: Het kader faciliteert de berekening van Ohmse en ambipolaire dissipatiekaarten in de fotosfeer direct vanuit observaties.
• Toepassing op Real-world Data:
  • Rustige Zon: Toegepast op Hinode/SP rustige zon-observaties, onthult het model sterk gelokaliseerde elektrische stromen bij magnetische grenzen en produceert het dissipatiekaarten die consistent zijn met theoretische verwachtingen (Ohmse dissipatie gelokaliseerd bij magnetische grenzen; ambipolaire dissipatie in regio's met meetbare transversale velden).
  • Loop-emergentie: Het model volgt succesvol de 3D-geometrie van kleinschalige opkomende magnetische lussen (loops), waarbij de evolutie van de fotosfeer tot $\sim 300$ km wordt gereconstrueerd, wat de lus-achtige structuur bevestigt in een consistente geometrische hoogte-schaal.

Significantie en Claims
Het artikel claimt dat 3DStokesFlow een significante vooruitgang vormt door snelle en schaalbare Bayesiaanse inferentie voor volledige 2D gezichtsvelden mogelijk te maken en daarbij ruimtelijke correlaties te benutten. De auteurs benadrukken dat deze aanpak de beperkingen van 1D pixel-voor-pixel inversies en eerdere machine learning-pogingen die beperkt waren tot 1D-atmosferen, overstijgt.

De primaire significantie ligt in het vermogen om:

1. Betrouwbare posterieure distributies te bieden voor atmosferische parameters, wat een rigoureuze kwantificering van onzekerheden mogelijk maakt.
2. Geometrische hoogte-informatie direct uit de inversie af te leiden, wat doorgaans een moeilijk te voldoen randvoorwaarde is.
3. Elektrische stroomdichtheden en dissipatiekaarten te berekenen puur op basis van observaties, zonder dat daarvoor extra aannames zoals magnetostatisch evenwicht of veldextrapolatie nodig zijn, welke voorheen noodzakelijk waren voor dergelijke berekeningen.

De auteurs merken op dat de huidige implementatie beperkt is tot de fotosfeer van de rustige zon en disk-center observaties van het Fe I 630 nm lijnenpaar, aangezien dit de meest realistische en beschikbare MHD-simulaties zijn. Zij erkennen dat het uitbreiden van de methode naar actieve regio's, hogere atmosferische lagen en hogere ruimtelijke resoluties (bijv. DKIST) verdere ontwikkeling vereist, wat mogelijk kan worden gerealiseerd via latent space modeling of transformer-gebaseerde encoders. Desalniettemin vestigt dit werk een proof-of-concept voor simulatie-gebaseerde inferentie die fysisch consistente 3D-kaarten van de zonnestof levert.