Predicting the thermodynamics in the chromosphere from the translation of SDO data into the IRIS$^{2}$ inversion results using a visual transformer model

Resumo Técnico: SDO2IRIS2

1. O Problema

A cromosfera solar é uma camada da atmosfera solar caracterizada por variações rápidas nas propriedades termodinâmicas e no campo magnético, operando sob condições de não-equilíbrio termodinâmico local (non-LTE). Embora observável, a sua complexidade física torna difícil a interpretação direta das observações e a modelagem física.

• Limitações Atuais: Os métodos tradicionais de inversão espectral (como o código IRIS2, que inverte as linhas Mg II h&k observadas pelo satélite IRIS) fornecem os parâmetros termodinâmicos mais precisos, mas são computacionalmente caros e lentos.
• Oportunidade: O satélite SDO (Solar Dynamics Observatory) observa o Sol em disco inteiro com alta cadência temporal, mas seus instrumentos (AIA e HMI) não fornecem diretamente os parâmetros termodinâmicos detalhados da cromosfera.
• Objetivo: Desenvolver uma ferramenta de Inteligência Artificial (IA) capaz de traduzir imagens de banda larga do SDO e magnetogramas em parâmetros termodinâmicos cromosféricos, utilizando os resultados de inversão do IRIS como "verdade de terreno" (ground truth) para treinamento.

2. Metodologia

2.1. Dados e Preparação

• Conjunto de Dados: Foram utilizados 1.585 conjuntos de dados do IRIS (linhas Mg II h&k) invertidos com o código IRIS2.
• Entrada (Input): Imagens de intensidade do SDO/AIA (bandas 171, 193, 304, 1600 e 1700 Å) e magnetogramas de linha de visão do SDO/HMI.
• Alinhamento: Os dados do SDO/AIA foram reamostrados para criar "rasters" semelhantes à fenda do IRIS, garantindo co-alinhamento espacial e temporal preciso com as observações do IRIS.
• Alvo (Target): Parâmetros termodinâmicos derivados do IRIS2: Temperatura ($T$), Velocidade de linha de visão ($v_{los}$), Velocidade turbulenta ($v_{turb}$) e Densidade eletrônica ($n_e$), avaliados em três profundidades ópticas: $\log(\tau) = -5.2$ (cromosfera alta), $-4.2$ (cromosfera média) e $-3.2$ (mínimo de temperatura).

2.2. Arquitetura do Modelo: SDO2IRIS2
O modelo proposto é um Transformador Visual (ViT - Vision Transformer), adaptado para uma tarefa de tradução de imagem para imagem (Image-to-Image).

• Entrada: Um tensor contendo as imagens do AIA, o magnetograma do HMI e codificação de posição (positional encoding) para cada pixel.
• Codificador (Encoder): Utiliza camadas de self-attention multi-cabeça para capturar contextos locais e globais das imagens de entrada.
• Decodificador (Decoder): Gera os mapas termodinâmicos preditos.
• Função de Perda: Uma combinação de:
  1. Perda $L1$ pixel a pixel (para reconstrução precisa).
  2. Perda baseada em gradientes espaciais (para manter a coerência estrutural e de bordas entre a predição e o alvo).
• Treinamento: Os dados foram divididos temporalmente (80% treino, 10% validação, 10% teste) para evitar vazamento de dados de rasters consecutivos.

2.3. Experimentos Comparativos
Foram testadas várias combinações de canais de entrada (canais individuais, combinações de baixa atmosfera, todos os canais AIA, e adição do magnetograma HMI) e comparados com uma rede neural profunda (DNN) de base (baseline).

3. Principais Contribuições

1. Desenvolvimento do SDO2IRIS2: Criação de um modelo ViT capaz de inferir parâmetros termodinâmicos cromosféricos a partir de dados do SDO, eliminando a necessidade de inversões espectro-polarimétricas lentas para obter estimativas rápidas.
2. Velocidade de Processamento: O modelo gera resultados em minutos (≤10 min em CPU, ≤5 min em GPU), permitindo a análise de grandes volumes de dados do SDO (desde 2010) que antes eram inacessíveis para estudos termodinâmicos detalhados.
3. Análise de Importância de Recursos: Uso de valores de Shapley para quantificar a contribuição de cada canal do AIA e do magnetograma HMI na predição, revelando quais dados são mais informativos para cada variável física.
4. Generalização: O modelo foi projetado para aceitar imagens de dimensões variáveis, permitindo a aplicação em qualquer região de interesse (FoV) observada pelo SDO, não apenas onde o IRIS observou simultaneamente.

4. Resultados

4.1. Correlação Estatística
A comparação entre as previsões do SDO2IRIS2 e os dados invertidos do IRIS2 no conjunto de teste (185 datasets) mostrou:

• Temperatura ($T$) e Densidade ($n_e$): Correlação forte (coeficiente de Pearson $r \approx 0.80$) para cerca de 80% dos dados nas camadas alta e média da cromosfera.
• Velocidade Turbulenta ($v_{turb}$): Correlação moderada a forte ($r \approx 0.63$) para cerca de 70% dos dados.
• Velocidade de Linha de Visão ($v_{los}$): Correlação fraca. O modelo consegue capturar a estrutura geral, mas subestima significativamente os valores absolutos.

4.2. Impacto dos Canais de Entrada

• Os canais AIA 1600 Å, 1700 Å e 304 Å foram os contribuintes mais importantes para a correlação, seguidos pelo magnetograma HMI.
• Canais coronais (171 Å, 193 Å) tiveram impacto menor, exceto em regiões específicas.
• A inclusão do magnetograma HMI melhorou ligeiramente a representação de estruturas, mas não aumentou drasticamente a correlação global.

4.3. Limitações e Artefatos

• O modelo não deve ser usado perto do limbo solar (dados de treinamento evitaram $r > 750''$).
• Em casos de baixa resolução espacial (regiões de quiet Sun), a densidade eletrônica ($n_e$) na profundidade $\log(\tau)=-3.2$ apresenta correlação fraca.
• O modelo pode reproduzir artefatos de calibração (linhas fiduciais) presentes nos dados de treinamento do IRIS.

5. Significado e Conclusão

O SDO2IRIS2 abre uma nova via para o uso dos dados do SDO, permitindo a obtenção de estimativas termodinâmicas da cromosfera para todo o disco solar com alta cadência temporal.

• Sinergia: Funciona como um complemento valioso para dados observados simultaneamente por outros instrumentos ou como uma solução autônoma quando o IRIS não está observando.
• Futuro: A ferramenta pode ser evoluída para incluir inversões de outras linhas espectrais (como C II e linhas fotosféricas) para cobrir desde a fotosfera até a alta cromosfera.
• Impacto: Transforma dados de imagens de banda larga em dados físicos quantitativos, democratizando o acesso a informações termodinâmicas detalhadas para a comunidade de física solar.

Em suma, o trabalho demonstra que modelos de Deep Learning baseados em Transformadores podem aprender a física complexa da cromosfera solar a partir de observações indiretas, superando as limitações de tempo computacional das inversões tradicionais.