論文の概要: Physics-Informed Neural Networks for Fast Multilayer Spectral Inversion of Hα 6562.8 A and Ca II 8542.1 A Spectra

• arxiv url: http://arxiv.org/abs/2609.18025v1
• Date: Wed, 16 Sep 2026 02:25:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.60012
• Title: Physics-Informed Neural Networks for Fast Multilayer Spectral Inversion of Hα 6562.8 A and Ca II 8542.1 A Spectra
• Title（参考訳）: Hα 6562.8 AとCa II 8542.1 Aの高速多層分光インバージョンのための物理インフォームニューラルネットワーク
• Abstract要約: 多重層スペクトル反転(MLSI)は、これらの線をモデル化するための物理的に解釈可能なフレームワークを提供する。 MLSIはピクセル・バイ・ピクセルの非線形最小二乗のフィッティングに依存しており、大規模な画像分光データセットでは計算コストがかかる。 本稿では,物理インフォームド・ニューラルネット(PINN)フレームワークを導入し,MLSIの高速化と解析的放射移動推論の保存について述べる。
• 参考スコア（独自算出の注目度）: 18.806150396802263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Strong chromospheric absorption lines such as H$α$ 6562.8 A and Ca II 8542.1 A provide vital diagnostics of plasma dynamics and thermal structure in the solar chromosphere. Multilayer spectral inversion (MLSI) offers a physically interpretable framework for modeling these lines using a finite number of radiative-transfer layers, but conventional MLSI relies on pixel-by-pixel nonlinear least-squares fitting, making it computationally expensive for large imaging spectroscopic data sets. Here, we introduce a physics-informed neural-network (PINN) framework to accelerate MLSI while preserving its analytic radiative-transfer formulation. The network predicts MLSI parameters directly from observed line profiles and passes them through a differentiable MLSI forward model to synthesize spectra. Training follows a two-stage approach: an initial stage optimized solely via spectral reconstruction loss, followed by fine-tuning that combines spectral consistency with parameter-space supervision from conventional MLSI results on a single reference image. This strategy eliminates the need for large precomputed training sets while maintaining physical interpretability. Applied to Fast Imaging Solar Spectrograph (FISS) observations from the Goode Solar Telescope (GST) targeting both quiet-Sun and active-region regions, MLSI-PINN parameter maps reproduce the primary spatial structures of direct inversions, achieving an arithmetic mean pixel-wise Pearson correlation coefficient of 0.933 across all evaluated parameters. The reconstructed spectra closely match both observed profiles and conventional MLSI fits. Post-training, MLSI-PINN processes a raster in approximately 5-15 seconds compared to 3-5 minutes for conventional MLSI, delivering an inference speedup of about 12-60 times without substantial loss in reconstruction quality, enabling efficient MLSI analysis on large chromospheric data sets.
• Abstract（参考訳）: H$α$ 6562.8 A や Ca II 8542.1 A のような強い色圏吸収線は、太陽色圏におけるプラズマ力学と熱構造の重要な診断を提供する。 多重層スペクトルインバージョン(MLSI)は、有限個の放射透過層を用いてこれらの線をモデル化するための物理的に解釈可能なフレームワークを提供するが、従来のMLSIはピクセル・バイ・ピクセルの非線形な最小二乗配置に依存しており、大規模な画像分光データセットでは計算コストがかかる。 そこで本研究では,MLSI を解析的放射型トランスファーの定式化を保ちながら,MLSI を高速化する物理インフォームドニューラルネットワーク (PINN) フレームワークを提案する。 ネットワークは、観測されたラインプロファイルから直接MLSIパラメータを予測し、それを微分可能なMLSIフォワードモデルに渡してスペクトルを合成する。 トレーニングは、2段階のアプローチに従う: スペクトル再構成損失にのみ最適化された初期段階、続いてスペクトル一貫性と1つの参照画像上の従来のMLSI結果からのパラメータ空間の監督を組み合わせた微調整を行う。 この戦略は、物理的な解釈可能性を維持しながら、大きな事前計算されたトレーニングセットの必要性を排除する。 FISS(Fast Imaging Solar Spectrograph)は、太陽と活動領域の両方を対象とするグッド太陽望遠鏡(GST)の観測に応用し、MLSI-PINNパラメータマップは直接反転の一次空間構造を再現し、すべてのパラメータで0.933の算術平均画素幅のピアソン相関係数を達成した。 再構成されたスペクトルは、観測されたプロファイルと従来のMLSI適合の両方と密接に一致している。 トレーニング後、MLSI-PINNは、従来のMLSIの3～5分と比較して約5～15秒でラスタを処理する。

関連論文リスト

• ASSR-Net: Anisotropic Structure-Aware and Spectrally Recalibrated Network for Hyperspectral Image Fusion [42.573141390377415]
  ハイパースペクトル画像融合のための異方性構造認識・分光補正ネットワーク textbfASSR-Net を提案する。 ASSR-Netは、常に最先端の手法より優れており、より優れた空間的詳細保存とスペクトル整合性を実現している。
  論文  参考訳（メタデータ） (2026-04-07T11:44:04Z)
• Efficient Hyperspectral Image Reconstruction Using Lightweight Separate Spectral Transformers [26.683800044549105]
  高速ハイパースペクトル画像再構成に適した革新的なアーキテクチャであるLSST(Lightweight Separate Spectral Transformer)を導入する。 我々のLSSTは、FLOPやパラメータを少なくして優れた性能を実現し、その効率と有効性を裏付ける。
  論文  参考訳（メタデータ） (2026-01-03T04:19:14Z)
• SpectraLift: Physics-Guided Spectral-Inversion Network for Self-Supervised Hyperspectral Image Super-Resolution [0.0]
  高分解能高分解能マルチスペクトル画像(HR-MSI)と低分解能高分解能ハイパースペクトル画像(LR-HSI)を融合させることは、微細な空間構造を復元するための有望な経路である。 MSIのスペクトル応答(SRF)のみを用いてLR-HSIとHR-MSI入力を融合する完全自己教師型フレームワークSpectraLiftを提案する。 推測において、SpectraLiftはトレーニングされたネットワークを使用してHR-MSIピクセルをHR-HSI推定にマッピングする。
  論文  参考訳（メタデータ） (2025-07-17T17:57:18Z)
• CARL: Camera-Agnostic Representation Learning for Spectral Image Analysis [69.02751635551724]
  スペクトルイメージングは、医療や都市景観の理解など、様々な領域で有望な応用を提供する。 スペクトルカメラのチャネル次元と捕獲波長のばらつきは、AI駆動方式の開発を妨げる。 本稿では,RGB,マルチスペクトル,ハイパースペクトル画像を用いたカメラ非依存表現学習モデルCARLを紹介する。
  論文  参考訳（メタデータ） (2025-04-27T13:06:40Z)
• Cross-Scan Mamba with Masked Training for Robust Spectral Imaging [51.557804095896174]
  本研究では,空間スペクトルSSMを用いたクロススキャンマンバ(CS-Mamba)を提案する。 実験の結果, CS-Mambaは最先端の性能を達成し, マスク付きトレーニング手法によりスムーズな特徴を再構築し, 視覚的品質を向上させることができた。
  論文  参考訳（メタデータ） (2024-08-01T15:14:10Z)
• Super-resolution of ultrafast pulses via spectral inversion [0.0]
  ブロードバンド光(10～100GHz)を対象とした分光超解像法を実験的に実証した。 等輝度の2つの非コヒーレントスペクトル特徴と、コヒーレンス時間当たりの光子との小さな分離を推定するパラダイム的問題について検討した。 この装置は、電気光学タイムレンズとインバージョンを実装したパッシブスペクトル分散器を備えた、アクティブに安定化されたマッハ・ツェンダー型干渉計に基づいている。
  論文  参考訳（メタデータ） (2024-03-18T12:21:37Z)
• Physics-Inspired Degradation Models for Hyperspectral Image Fusion [61.743696362028246]
  ほとんどの融合法は、融合アルゴリズム自体にのみ焦点をあて、分解モデルを見落としている。 我々は、LR-HSIとHR-MSIの劣化をモデル化するための物理インスパイアされた劣化モデル(PIDM)を提案する。 提案したPIDMは,既存の核融合法における核融合性能を向上させることができる。
  論文  参考訳（メタデータ） (2024-02-04T09:07:28Z)
• ESSAformer: Efficient Transformer for Hyperspectral Image Super-resolution [76.7408734079706]
  単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。 本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
  論文  参考訳（メタデータ） (2023-07-26T07:45:14Z)
• Mask-guided Spectral-wise Transformer for Efficient Hyperspectral Image Reconstruction [127.20208645280438]
  ハイパースペクトル画像(HSI)再構成は、2次元計測から3次元空間スペクトル信号を復元することを目的としている。 スペクトル間相互作用のモデル化は、HSI再構成に有用である。 Mask-guided Spectral-wise Transformer (MST) は,HSI再構成のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-11-15T16:59:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。