A Machine Learning Enhanced Approach for Automated Sunquake Detection in Acoustic Emission Maps

要約

日震は、太陽フレアに関連して、太陽表面で目に見える地震放射です。
1998 年に発見されましたが、より一般的に検出される現象になったのはつい最近のことです。
いくつかの手動検出ガイドラインが利用可能であるにもかかわらず、私たちの知る限り、日震のために生成された天体物理学データは、機械学習の分野にとって新しいものです。
日震を検出することは、人間のオペレーターにとって困難な作業であり、この作業は、その検出を容易にし、可能であれば検出を改善することを目的としています。
したがって、ホログラフィー法を使用して、太陽周期 23 および 24 で取得された太陽活動領域の音響出力マップから構築されたデータセットを紹介します。
次に、AutoEncoders、Contrastive Learning、Object Detection、および反復技術を使用した日射し検出のための機械学習表現方法の適用への教育的アプローチを提示します。これは、いくつかのカスタムドメイン固有のデータ拡張変換を導入することによって強化されます。
自動化された日震検出タスクの主な課題、つまり、活動領域の影の内外で非常に高いノイズ パターンと、日震の痕跡を示す限られた数のフレームによって与えられる極端なクラスの不均衡に対処します。
訓練されたモデルを使用して、特異な音響放射の時間的および空間的な場所を見つけ、それらを噴火および高エネルギー放射に定性的に関連付けます。
これらのモデルはまだプロトタイプの段階にあり、測定基準とバイアス レベルには改善の余地がたくさんあることに注意しながら、ユース ケースの例に関する両者の合意により、弱い太陽音響現象の検出が可能になる可能性があると仮定しています。

要約(オリジナル)

Sunquakes are seismic emissions visible on the solar surface, associated with some solar flares. Although discovered in 1998, they have only recently become a more commonly detected phenomenon. Despite the availability of several manual detection guidelines, to our knowledge, the astrophysical data produced for sunquakes is new to the field of Machine Learning. Detecting sunquakes is a daunting task for human operators and this work aims to ease and, if possible, to improve their detection. Thus, we introduce a dataset constructed from acoustic egression-power maps of solar active regions obtained for Solar Cycles 23 and 24 using the holography method. We then present a pedagogical approach to the application of machine learning representation methods for sunquake detection using AutoEncoders, Contrastive Learning, Object Detection and recurrent techniques, which we enhance by introducing several custom domain-specific data augmentation transformations. We address the main challenges of the automated sunquake detection task, namely the very high noise patterns in and outside the active region shadow and the extreme class imbalance given by the limited number of frames that present sunquake signatures. With our trained models, we find temporal and spatial locations of peculiar acoustic emission and qualitatively associate them to eruptive and high energy emission. While noting that these models are still in a prototype stage and there is much room for improvement in metrics and bias levels, we hypothesize that their agreement on example use cases has the potential to enable detection of weak solar acoustic manifestations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google