Machine learning and deep learning in solar physics

Abstract

There exists a growing interest in the application of Machine Learning methods to Astrophysics, as they have proven to be very useful in the past. Following this line of work and motivated by a reduction in computation time, we explored the use of an artificial neural network (ANN) in the synthesis of Stokes profiles through the direct mapping of solar atmosphere magnitudes and profiles. First, some basic concepts regarding Machine Learning and the problem at hand are presented, followed by a complete description of the ANN training process. Finally, a Stokes profile inversion (which requires a great number of synthesis) is carried out using an optimization algorithm to recover the solar atmosphere magnitudes.

Existe un inter´es creciente en la aplicaci´on de m´etodos de Aprendizaje autom´atico a Astrof´ısica, ya que han demostrado ser de gran utilidad a lo largo de los a˜nos. Siguiendo esta l´ınea de trabajo y motivado por una reducci´on en el tiempo de computaci´on, se explora el uso de una red neuronal artificial (ANN) en la s´ıntesis de perfiles de Stokes mediante un mapeo directo de magnitudes de la atm´osfera solar y perfiles. Primero, se exponen una serie de conceptos b´asicos sobre Aprendizaje autom´atico y el problema que nos ocupa, seguido de una descripci´on completa del proceso de entrenamiento de la ANN. Por ´ultimo, se realiza la inversi´on de un perfil de Stokes (lo cual requiere un gran n´umero de s´ıntesis) haciendo uso de un algoritmo de optimizaci´on con el fin de recuperar las magnitudes de la atm´osfera solar.