Aplicación de técnicas de Deep Learning en modelamiento y observación de la fotósfera solar

Abstract

El presente trabajo se enmarca en las aplicaciones de las redes neuronales profundas para el modelamiento de los fenómenos presentes en la fotósfera solar. La investigación propuesta se basa en la construcción de red neuronal convolucional 3D profunda de tipo generativa, DCGAN por sus siglas en ingles, haciendo uso de las módulos de inteligencia artificial de Python como Pytorch para arquitectura de la de red neuronal. Se pretende entrenar una red neuronal capaz de generar grupos de cubos de una alta similitud con cubos de entrenamiento, dichos cubos corresponden a magnitudes físicas de la fotósfera solar tales como densidad, campo magnético, velocidad del plasma, temperatura, entre otras, obtenidas del código de simulación MURaM. Codigo de simulación desarrollado por el grupo Solar-MHD de instituto Max Planck desarrollado entre el 2001-2005 con la finalidad de generar simulaciones realistas de procesos de magneto-convección y actividades magneticas, que tienen caso sobre la zona convectiva del sol, el presente trabajo busca tomar sus resultado y tomarlos como datos de entrenamiento para la red neuronal generando datos nuevos con una similitud de manera visual y en los apartados físicos, posteriormente realizar una comparativa entre los resultados y los datos de entrenamiento, se proponen los retos para usar estas herramientas en el estudio de la fotósfera solar, tubos de flujo y poros. (Texto tomado de la fuente).

The present work is framed in the applications of deep neural networks for the modeling of the phenomena present in the solar photosphere. The proposed research is based on the construction of a 3D deep generative convolutional neural network, DCGAN, using Python artificial intelligence modules such as Pytorch for neural network architecture. It is intended to train a neural network capable of generating groups of cubes of high similarity with training cubes, these cubes correspond to physical quantities of the solar photosphere such as density, magnetic field, plasma velocity, temperature, among others, obtained from the simulation code MURaM. Simulation code developed by the Solar-MHD group of the Max Planck Institute developed between 2001-2005 with the purpose of generating realistic simulations of magneto-convection processes and magnetic activities, which have an effect on the convective zone of the sun, The present work seeks to take its results and take them as training data for the neural network generating new data with a similarity in a visual way and in the physical sections, then make a comparison between the results and the training data, the challenges are proposed to use these tools in the study of the solar photosphere, flux tubes and pores.