Implementation of artificial intelligence techniques for the inversion of the Stokes parameters in the solar context

Abstract

The inversion of Stokes parameters is a key tool for recovering the physical conditions of the solar atmosphere from spectropolarimetric observations. Traditional approaches rely on iterative least-squares optimization methods which, despite their accuracy, are computationally expensive and limited in their applicability to large volumes of data. In this thesis, we explore the implementation of artificial intelligence techniques—particularly deep learning architectures—for the inversion of Stokes profiles in the quiet Sun’s photosphere. Using synthetic data generated from magnetohydrodynamic simulations with the MURaM code and radiative transfer calculations with the NICOLE code, we train and compare various neural network models, including fully connected networks, convolutional neural networks, and a multi-scale convolutional network (MSCNN). The observational effects of the Hinode/SOT-SP instrument were progressively incorporated to ensure the applicability of the models to real data, and their generalization ability was evaluated using the MODEST inversion catalog. Six experiments were conducted to analyze the influence of spectral resolution, Stokes parameter weighting, multiscale learning, and the inclusion of physical constraints—particularly a loss function guided by the Weak Field Approximation (WFA), an innovative method in the field. The results demonstrate that neural networks can replicate synthetic inversions with high accuracy in milliseconds, providing a speed-up of several orders of magnitude over traditional methods. Furthermore, the incorporation of physical constraints improves magnetic field recovery and interpretability, with potential for generalization to actual observational cases. This work shows that physics-assisted deep learning offers a promising framework for fast and reliable spectropolarimetric inversions, representing an advance in the integration of machine learning into astrophysics.

La inversión de los parámetros de Stokes es una herramienta fundamental para la recuperación de las condiciones físicas de la atmósfera solar a partir de observaciones espectropolarimétricas. Los enfoques tradicionales se basan en métodos iterativos de optimización por mínimos cuadrados que, aunque precisos, resultan computacionalmente costosos y limitados en su aplicabilidad a grandes volúmenes de datos. En esta tesis exploramos la implementación de técnicas de inteligencia artificial —particularmente arquitecturas de aprendizaje profundo— para la inversión de perfiles de Stokes en la fotosfera para el Sol en calma. Utilizando datos sintéticos generados a partir de simulaciones magnetohidrodinámicas con el código MURaM y cálculos de transferencia radiativa con el código NICOLE, entrenamos y comparamos diversos modelos de redes neuronales, incluyendo redes totalmente conectadas, redes convolucionales y una red convolucional multiescala (MSCNN). Se incorporaron progresivamente los efectos observacionales del instrumento Hinode/SOT-SP para garantizar la aplicabilidad de los modelos a datos reales, y se evaluó su capacidad de generalización utilizando el catálogo MODEST de inversiones. Se realizaron seis experimentos para analizar la influencia de la resolución espectral, el ponderado de los parámetros de Stokes, el aprendizaje multiescala y la inclusión de restricciones físicas —particularmente una función de pérdida guiada por la Aproximación de Campo Débil (WFA), la cuál constituye un método innovador en el campo de estudio. Los resultados demuestran que las redes neuronales pueden replicar con gran precisión las inversiones sintéticas en milisegundos, ofreciendo una aceleración de varios órdenes de magnitud respecto a los métodos tradicionales, mientras que la incorporación de restricciones físicas mejora la recuperación del campo magnético y su interpretabilidad, podiendo ser generalizado a casos de observaciones reales. Este trabajo demuestra que el aprendizaje profundo asistido por la física constituye un marco prometedor para realizar inversiones espectropolarimétricas rápidas y fiables, representando un avance en la integración del aprendizaje automático en la astrofísica. (Texto tomado de la fuente).