Physics-informed Attention-enhanced Fourier Neural Operator for Solar Magnetic Field Extrapolations

📄 arXiv: 2510.05351v1 📥 PDF

作者: Jinghao Cao, Qin Li, Mengnan Du, Haimin Wang, Bo Shen

分类: cs.LG, cs.AI

发布日期: 2025-10-06

备注: 10 pages; accepted as workshop paper in ICDM 2025; https://github.com/Autumnstar-cjh/PIANO

🔗 代码/项目: GITHUB

💡 一句话要点

提出物理信息增强注意力傅里叶神经算子(PIANO)用于太阳磁场外推

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 太阳磁场外推 非线性无力场 傅里叶神经算子 物理信息神经网络 注意力机制 扩张卷积 空间天气

📋 核心要点

  1. 传统NLFFF求解依赖迭代数值方法，计算成本高且易受边界条件影响。
  2. PIANO通过学习2D边界条件到3D磁场的映射，结合ECA和扩张卷积增强特征提取。
  3. 实验表明，PIANO在精度上超越现有神经算子，并与NLFFF物理特性高度吻合。

📝 摘要（中文）

本文提出了一种物理信息增强注意力傅里叶神经算子(PIANO)来解决太阳物理中的非线性无力场(NLFFF)问题。与依赖迭代数值方法的传统方法不同，我们提出的PIANO直接从二维边界条件学习三维磁场结构。具体来说，PIANO集成了高效通道注意力(ECA)机制和扩张卷积(DC)，通过优先考虑与磁场变化相关的关键通道，增强了模型捕获多模态输入的能力。此外，我们通过在训练过程中强制执行无力场和无散度条件来应用物理信息损失，从而使我们的预测与具有高精度的底层物理一致。在ISEE NLFFF数据集上的实验结果表明，我们的PIANO不仅在精度方面优于最先进的神经算子，而且在从各种太阳活动区域重建的磁场中，也显示出与NLFFF数据的物理特性具有很强的一致性。该项目的GitHub地址为https://github.com/Autumnstar-cjh/PIANO

🔬 方法详解

问题定义：论文旨在解决太阳物理学中的非线性无力场(NLFFF)外推问题。现有的数值方法通常需要迭代求解，计算量大，且对边界条件敏感，容易积累误差。此外，这些方法难以有效利用观测数据中蕴含的物理信息。

核心思路：论文的核心思路是利用神经算子直接学习从二维边界条件到三维磁场结构的映射关系。通过引入物理信息损失，约束模型的输出满足无力场和无散度条件，从而保证预测结果的物理合理性。同时，利用注意力机制和扩张卷积增强模型对关键特征的提取能力。

技术框架：PIANO的整体框架包括以下几个主要部分：1) 输入层：接收二维边界磁场数据；2) 特征提取层：利用扩张卷积和高效通道注意力(ECA)机制提取输入特征；3) 傅里叶神经算子层：在傅里叶空间进行非线性变换，学习输入到输出的映射；4) 输出层：输出三维磁场结构；5) 物理信息损失计算：计算预测磁场与无力场和无散度条件的偏差，作为损失函数的一部分。

关键创新：该论文的关键创新在于：1) 将傅里叶神经算子应用于NLFFF外推问题，实现了从边界条件到三维磁场的直接映射；2) 引入高效通道注意力(ECA)机制，自适应地调整不同通道的权重，增强了模型对关键特征的提取能力；3) 结合物理信息损失，约束模型的输出满足物理定律，提高了预测结果的物理合理性。

关键设计：在网络结构方面，使用了扩张卷积来扩大感受野，捕捉更大范围的上下文信息。ECA模块通过学习通道间的依赖关系，自动确定每个通道的重要性。损失函数由两部分组成：数据驱动的损失（例如均方误差）和物理信息损失（无力场和无散度条件的偏差）。物理信息损失的权重需要根据具体问题进行调整，以平衡数据拟合和物理约束。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，PIANO在ISEE NLFFF数据集上优于现有的神经算子方法。在精度方面，PIANO在多个指标上取得了显著提升，例如在磁场强度和方向的预测误差方面均有降低。此外，PIANO在不同太阳活动区域的磁场重建中表现出更强的物理一致性，验证了物理信息损失的有效性。

🎯 应用场景

该研究成果可应用于太阳活动预报、空间天气研究等领域。准确的太阳磁场外推结果有助于理解太阳耀斑、日冕物质抛射等爆发性事件的触发机制，从而提高空间天气预报的准确性，降低其对卫星、通信等的影响。此外，该方法也可推广到其他物理场的建模与预测。

📄 摘要（原文）

We propose Physics-informed Attention-enhanced Fourier Neural Operator (PIANO) to solve the Nonlinear Force-Free Field (NLFFF) problem in solar physics. Unlike conventional approaches that rely on iterative numerical methods, our proposed PIANO directly learns the 3D magnetic field structure from 2D boundary conditions. Specifically, PIANO integrates Efficient Channel Attention (ECA) mechanisms with Dilated Convolutions (DC), which enhances the model's ability to capture multimodal input by prioritizing critical channels relevant to the magnetic field's variations. Furthermore, we apply physics-informed loss by enforcing the force-free and divergence-free conditions in the training process so that our prediction is consistent with underlying physics with high accuracy. Experimental results on the ISEE NLFFF dataset show that our PIANO not only outperforms state-of-the-art neural operators in terms of accuracy but also shows strong consistency with the physical characteristics of NLFFF data across magnetic fields reconstructed from various solar active regions. The GitHub of this project is available https://github.com/Autumnstar-cjh/PIANO