Stima del numero di sorgenti di radiazione X nei brillamenti solari a partire da dati STIX mediante l’uso di reti neurali

Abstract

Lo Spectrometer/Telescope for Imaging X-rays (STIX) è lo strumento a bordo della missione ESA Solar Orbiter progettato per l'osservazione della radiazione X emessa durante i brillamenti solari, violente esplosioni sulla superficie del Sole. A partire dai dati grezzi misurati da STIX, è possibile ottenere i valori complessi del campionamento della trasformata di Fourier della radiazione X in un numero limitato di frequenze spaziali. Tali valori, detti visibilities, costituiscono il dato del problema inverso risolto per ottenere l'immagine delle sorgenti di raggi X nei brillamenti. Il lavoro di Tesi prevede lo studio e l'implementazione di reti neurali per la stima automatica del numero di sorgenti di raggi X nei brillamenti solari a partire dalle corrispondenti visibilities misurate da STIX. Questo approccio risulta efficiente in termini di tempo calcolo, poiché non richiede la ricostruzione delle immagini dei brillamenti per determinare il numero di sorgenti. La metodologia proposta potrebbe inoltre consentire di classificare i brillamenti, consentendo indagini statistiche sulla loro morfologia e identificazione di eventi complessi nell'ampio archivio di dati STIX. Le reti neurali sono allenate su un dataset sintetico generato tramite un simulatore; le prestazioni sono poi valutate sia su un test set sintetico che su uno sperimentale fornito da STIX (di taglia molto ridotta). Vengono poi studiate alcune tecniche di Explainable AI per analizzare quali caratteristiche specifiche dei dati reali possano portare a errori di stima del numero di sorgenti. Infine, si esamina come l'inserimento di un numero molto ridotto di dati sperimentali nel training set simulato migliori le prestazioni dei modelli quando applicati a nuovi dati forniti da STIX.

The Spectrometer/Telescope for Imaging X-rays (STIX) is the instrument onboard the ESA Solar Orbiter mission, designed to observe the X-ray radiation emitted during solar flares, violent explosions occurring on the Sun's surface. From the raw data measured by STIX, complex values can be derived from the sampling of the Fourier transform of the X-ray radiation across a limited number of spatial frequencies. These values, known as visibilities, serve as the data for the inverse problem solved to generate images of X-ray sources during flares. This thesis work focuses on studying and implementing neural networks to automatically estimate the number of X-ray sources in solar flares based on the corresponding visibilities measured by STIX. This approach is computationally efficient, as it eliminates the need for image reconstruction to determine the number of sources. Additionally, the proposed methodology could facilitate the classification of flares, enabling statistical investigations into their morphology and the identification of complex events within the extensive STIX data archive. Neural networks are trained on a synthetic dataset generated by a simulator, and their performance is evaluated using both a synthetic test set and a small experimental set provided by STIX. Furthermore, different Explainable AI techniques are explored to analyse specific characteristics of the real data that may lead to estimation errors in the number of sources. The study also examines how incorporating a small amount of experimental data into the training set enhances the performance of the models when applied to new data supplied by STIX.