CORONA-Fields: Leveraging Foundation Models for Classification of Solar Wind Phenomena
Daniela Martin, Jinsu Hong, Connor O'Brien, Valmir P Moraes Filho, Jasmine R. Kobayashi, Evangelia Samara, Joseph Gallego
在太阳活动的推动下,地球的太空天气对我们星球周围的卫星以及关键的地面技术基础设施构成了越来越大的风险。 主要的空间天气贡献者是太阳风和日冕物质抛射,其可变密度,速度,温度和磁场使这些结构的自动化分类具有挑战性。 在这项工作中,我们调整了太阳物理学的基础模型,最初在太阳动力学天文台的图像上训练,以创建适合太阳风结构分析的嵌入。 这些嵌入与使用傅里叶特征编码的航天器位置和太阳磁连接相连接,该特征产生了基于神经场的模型。 完整的深度学习架构经过微调,弥合了遥感和现场观测之间的差距。 标签来自Parker Solar Probe测量,形成了一个下游分类任务,将等离子体特性映射到太阳风结构。 虽然整体分类性能适中,可能是由于粗糙的标签,类不平衡和预训练模型的可转移性有限,但这项研究证明了利用基础模型嵌入原位太阳风任务的可行性。 作为第一个概念验证,它为未来改进更可靠的空间天气预报奠定了基础。 本研究中使用的代码和配置文件公开支持可重复性。
Space weather at Earth, driven by the solar activity, poses growing risks to satellites around our planet as well as to critical ground-based technological infrastructure. Major space weather contributors are the solar wind and coronal mass ejections whose variable density, speed, temperature, and magnetic field make the automated classification of those structures challenging. In this work, we adapt a foundation model for solar physics, originally trained on Solar Dynamics Observatory imagery, ...