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

Resumo Técnico: Inversão da Linha Espectral Hα do CHASE durante Erupções Solares Baseada no Conjunto de Dados RADYN via Aprendizado Profundo

Declaração do Problema
As erupções solares representam liberações intensas de energia na atmosfera solar, causando mudanças rápidas em parâmetros físicos como densidade numérica de elétrons, temperatura e velocidade do plasma. Medir com precisão esses parâmetros é essencial para entender os mecanismos das erupções e melhorar as previsões de ejeções. No entanto, a medição direta é tecnicamente desafiadora; esses parâmetros são tipicamente inferidos a partir de características espectrais observadas. Métodos de inversão tradicionais baseados em modelos físicos frequentemente dependem de suposições complexas, aproximações e altos custos computacionais, limitando sua aplicação prática. Embora o aprendizado de máquina ofereça uma alternativa promissora para inversão rápida, há necessidade de modelos robustos que possam preencher a lacuna entre simulações sintéticas e dados observacionais do mundo real, especificamente para a linha espectral Hα observada pelo Explorador Solar Chinês Hα (CHASE).

Metodologia
Os autores propõem um framework de aprendizado profundo utilizando redes neurais totalmente conectadas (FCNNs) para realizar inversão espectral rápida. A metodologia prossegue através das seguintes etapas:

1. Geração do Conjunto de Dados: Os dados de treinamento são derivados do banco de dados F-CHROMA do RADYN (Código de Hidrodinâmica Radiativa). Este conjunto de dados inclui 79 modelos de erupção com índices espectrais variados, energias de corte e energias totais do feixe (variando de $3\times10^{10}$ a $1\times10^{12}$ erg cm$^{-2}$). Cada modelo fornece perfis espectrais Hα unidimensionais com resolução temporal (intervalos de 0,1s) e distribuições de altura correspondentes de densidade numérica de elétrons, temperatura e velocidade do plasma (0–2000 km).
2. Pré-processamento de Dados: Para alinhar dados sintéticos com observações reais, os dados espectrais do RADYN sofrem convolução com a Função de Espalhamento de Ponto (PSF) para simular a resolução do espectrógrafo CHASE. Os dados são interpolados para corresponder às características de observação do CHASE (64 pontos de comprimento de onda dentro de 6562,82 Å ± 1,5 Å). As distribuições de parâmetros físicos são interpoladas para 400 pontos igualmente espaçados dentro da faixa de altura de 0–2000 km.
3. Arquitetura do Modelo: Três FCNNs independentes são treinadas para inverter densidade numérica de elétrons, temperatura e velocidade do plasma, respectivamente.
   • Entrada: Um vetor de 64 dimensões representando intensidades espectrais Hα.
   • Saída: Um vetor de 400 dimensões representando a distribuição vertical do parâmetro físico alvo.
   • Estrutura: A rede consiste em uma camada de entrada, múltiplas camadas ocultas com funções de ativação PReLU e regularização dropout (taxa=0,2) para evitar sobreajuste. A arquitetura expande e contrai o espaço de características (64→128→256→512→1024→512→400).
   • Treinamento: Os modelos são treinados usando o otimizador AdamW com perda de Erro Quadrático Médio (MSE). O conjunto de dados é dividido em conjuntos de treinamento (70%), validação (10%) e teste (20%), garantindo que o conjunto de teste contenha eventos de erupção totalmente separados.
4. Aplicação: Os modelos treinados são aplicados a dados espectrais Hα reais do CHASE de erupções solares, incluindo uma erupção da classe X7.1 (1º de outubro de 2024), uma erupção da classe M9.0 (10 de janeiro de 2025) e uma erupção da classe C7.0 (31 de maio de 2025).

Principais Resultados

• Desempenho com Dados Sintéticos: Os modelos demonstram alta consistência com as simulações do RADYN. No conjunto de teste, os modelos alcançam baixas taxas de erro:
  • Densidade Numérica de Elétrons: RMSE de $5,47\times10^{13}$ cm$^{-3}$ e sMAPE de 6,32%.
  • Temperatura: RMSE de $3,03\times10^4$ K e sMAPE de 11,31%.
  • Velocidade do Plasma: RMSE de 20,96 km s$^{-1}$ e sMAPE de 18,47%.
  • Os modelos capturam com sucesso a magnitude e a estrutura dos perfis dependentes da altura através de diferentes energias de erupção e fases evolutivas (fundo, ascensão, impulsiva, decaimento).
• Aplicação no Mundo Real: Quando aplicados às observações do CHASE da erupção X7.1, os modelos revelam uma evolução espacial e temporal razoável dos parâmetros físicos.
  • Durante o pico da erupção, a cromosfera superior é aquecida a temperaturas coronais.
  • Uma região de condensação cromosférica é identificada perto de 1400 km.
  • Os modelos reconstruem com sucesso representações 3D da região da erupção, visualizando mudanças físicas através de diferentes camadas atmosféricas.
• Generalização: O framework é validado em erupções das classes M e C, mostrando desempenho consistente na captura da evolução termodinâmica e campos de velocidade através de uma faixa de magnitudes de erupção.

Significado e Alegações
O artigo afirma que este trabalho demonstra o potencial das técnicas de aprendizado profundo para inversão espectral rápida e confiável, fornecendo novas ferramentas para diagnóstico de erupções solares baseadas em dados Hα. As principais contribuições incluem:

• Eficiência: A abordagem de aprendizado profundo oferece uma alternativa rápida aos métodos de inversão física tradicionais, computacionalmente caros.
• Ponte Observacional: Ao pré-processar dados sintéticos do RADYN para corresponder à resolução do CHASE, o estudo aplica com sucesso modelos treinados em simulações a observações reais de satélites.
• Capacidade de Diagnóstico: O método permite a recuperação de parâmetros físicos chave (densidade, temperatura, velocidade) a partir de perfis Hα, oferecendo insights sobre mecanismos de erupção como reconexão magnética e deposição de energia.

Limitações e Ressalvas
Os autores notam explicitamente várias limitações:

• Dependência de Dados: Os resultados das FCNNs são fortemente influenciados pelos dados de treinamento (simulações do RADYN). Cenários não representados no conjunto de dados sintético (por exemplo, perfis espectrais anômalos) podem levar a inversões imprecisas.
• Restrições Geométricas: O modelo assume um ângulo de visão vertical, tornando-o mais aplicável a regiões de fita de erupção próximas ao centro do disco solar. É considerado pouco confiável para laços de erupção, eventos na borda ou erupções de filamentos devido a variações não contabilizadas do centro à borda.
• Restrições Físicas: O modelo atual não impõe restrições físicas (por exemplo, equações de estado) para evitar combinações não físicas de temperatura e densidade, levando a potenciais degenerescências.
• Ruído: As inversões de velocidade do plasma mostram discrepâncias ligeiramente maiores em comparação com densidade e temperatura, embora ainda reproduzam tendências gerais.

Os autores sugerem que trabalhos futuros poderiam incorporar linhas espectrais adicionais, expandir o conjunto de dados de treinamento e integrar restrições físicas (como equações de estado) para melhorar a robustez e a consistência termodinâmica.