SuNeRF-CME: Physics-Informed Neural Radiance Fields for Tomographic Reconstruction of Coronal Mass Ejections

Resumo Técnico: SuNeRF-CME

Declaração do Problema
Ejeções de Massa Coronal (EMCs) representam riscos significativos para o clima espacial, exigindo uma caracterização precisa em 3D de sua densidade de plasma, direção de propagação e velocidade. Embora coronógrafos de luz branca forneçam monitoramento direto de EMCs por meio da luz espalhada por Thomson de elétrons livres, a reconstrução da distribuição 3D do plasma a partir de dados de imagem 2D é inerentemente desafiadora. O problema é mal-posto devido à natureza opticamente fina do plasma, à dependência complexa do ponto de vista do espalhamento de Thomson e à escassez de pontos de vista simultâneos (frequentemente limitados a dois ou três). Métodos tradicionais, como o modelo de Casca Cilíndrica Graduada (GCS) ou triangulação estereoscópica, frequentemente dependem de aproximações geométricas ou suposições estáticas que falham em capturar deformações complexas, estruturas internas ou evolução dependente do tempo, levando a desvios sistemáticos e "trajetórias fantasmas".

Metodologia
Os autores introduzem o SuNeRF-CME (Campos de Radiância Neural do Sol para EMCs), um framework que combina Campos de Radiância Neural (NeRFs) com Redes Neurais Informadas por Física (PINNs) para realizar reconstrução tomográfica 3D da heliosfera.

• Representação Neural: Em vez de usar grades explícitas, o volume 3D é representado por uma rede neural (especificamente uma arquitetura SIREN) que mapeia coordenadas espaço-temporais $(x, y, z, t)$ para grandezas físicas: densidade eletrônica logarítmica ($\ln \rho$) e vetores de velocidade ($\vec{v}$). Isso fornece uma parametrização implícita contínua e eficiente em memória do volume 4D.
• Modelo Direto: O método emprega um modelo direto fisicamente consistente baseado em Billings (1966) para simular o espalhamento de Thomson. Calcula o brilho total ($tB$) e o brilho polarizado ($pB$) integrando a densidade eletrônica modelada ao longo das linhas de visada, levando em conta o ângulo de espalhamento, o escurecimento de borda solar e a extensão angular finita do disco solar.
• Restrições Informadas por Física: Para mitigar a natureza mal-posta da inversão causada por pontos de vista esparsos, o framework incorpora restrições físicas por meio de uma abordagem PINN. A função de perda inclui:
  • Equação da Continuidade: Impõe a conservação de massa ($\partial_t \rho + \nabla \cdot (\rho \vec{v}) = 0$) para acoplar a dinâmica da densidade com a velocidade.
  • Regularização Radial: Restringe o vento solar de fundo a ser aproximadamente radial.
  • Limites de Velocidade: Impõe velocidades do vento solar dentro de uma faixa realista (200–800 km s$^{-1}$) para suprimir nuvens estáticas não físicas ou trajetórias fantasmas.
• Otimização: A rede é treinada do zero para cada evento específico de EMC, minimizando uma função de perda combinada composta por erros baseados em imagem (norma $L_2$ logarítmica de $tB$, $pB$ e sua razão) e resíduos baseados em física.

Principais Contribuições

1. Primeiro NeRF Informado por Física para EMCs: Este trabalho apresenta a primeira implementação de um Campo de Radiância Neural Informado por Física especificamente para tomografia de EMCs, adaptando NeRFs do domínio EUV para dados coronográficos de luz branca.
2. Reconstrução com Pontos de Vista Esparsos: O método demonstra a capacidade de reconstruir com fiabilidade estruturas 3D de EMCs a partir de tão poucos quanto dois pontos de vista, um cenário onde a tomografia clássica frequentemente falha.
3. Integração de Dinâmicas: Diferentemente de métodos de reconstrução estática, o SuNeRF-CME modela explicitamente a evolução dependente do tempo do plasma, capturando deformações e dinâmicas de propagação sem depender da rotação solar para restrições adicionais.
4. Framework de Validação: O estudo utiliza o conjunto de dados "CME Challenge" (observações sintéticas do modelo GAMERA-Helio) para quantificar rigorosamente o desempenho contra distribuições de densidade eletrônica de verdade fundamental em várias configurações de observador.

Resultados
Usando observações sintéticas, os autores avaliaram o desempenho do método em diferentes configurações de pontos de vista:

• Estimação de Parâmetros: A partir de dois pontos de vista separados por 60°, o método alcançou erros médios de 3,39 ± 1,94° em latitude, 1,76 ± 0,79° em longitude e 3,01 ± 1,94% na velocidade da frente de choque. Esses resultados representam uma melhoria de aproximadamente um fator de dois a quatro sobre os resultados de ajuste GCS tradicionais relatados na literatura anterior.
• Recuperação da Estrutura 3D: O modelo reconstruiu com sucesso a "estrutura de três partes" (núcleo brilhante, cavidade escura, frente brilhante) e variações internas do plasma de EMCs simuladas a partir de dois pontos de vista. Capturou frentes de EMC deformadas e localização da frente de choque, embora estruturas do vento solar de fundo tenham permanecido mais desafiadoras de resolver com dados esparsos.
• Dependência do Ponto de Vista: O desempenho melhorou com o número de pontos de vista (coeficiente de correlação aumentando de 0,92 para três pontos de vista para 0,99 para todos os pontos de vista disponíveis). As reconstruções foram encontradas menos confiáveis dentro do plano do observador (eclíptica) em comparação com visões fora do plano.
• Papel da Polarização: A inclusão do brilho polarizado ($pB$) melhorou significativamente a qualidade da reconstrução. Uma única observação de $pB$ combinada com brilho total ($tB$) de outros pontos de vista poderia efetivamente substituir um ponto de vista adicional apenas de $tB$, reduzindo ambiguidades de linha de visada.
• Restrições de Física: Estudos de ablação confirmaram que as perdas informadas por física são críticas; removê-las levou a derivações não físicas na direção de propagação e massa, enquanto um peso moderado (10$^{-2}$–10$^{-1}$) produziu estabilidade ótima.
• Robustez ao Ruído: O método permaneceu estável até níveis de ruído de 5% do brilho médio (SNR = 20), embora o desempenho degradasse em regiões externas fracas onde as razões sinal-ruído caem.

Significado e Alegações
O artigo afirma que o SuNeRF-CME demonstra o potencial de métodos de campos de radiância informados por física para tomografia de EMCs. Ao tratar a rede neural como uma representação de função contínua em vez de um modelo generativo treinado em uma população, o método reconstrói diretamente cenas específicas a partir de dados multivisuais disponíveis. Os autores enfatizam que essa abordagem fornece uma solução orientada por dados e específica para eventos que supera as limitações de aproximações geométricas e suposições estáticas.

O estudo conclui que, embora os resultados atuais sejam limitados a dados sintéticos, o framework abre caminho para futuras extensões a dados observacionais reais e aplicações de clima espacial. Os autores notam que a capacidade do método de integrar restrições físicas diretamente no processo de otimização permite lidar com dados esparsos e entradas ruidosas de forma mais robusta do que técnicas de inversão clássicas, oferecendo um caminho promissor para monitoramento 3D em tempo real da dinâmica do plasma heliosférico.