从湍流中解缠三维磁场几何：一种基于偏振的分类方法
Disentangling 3D Magnetic Field Geometry from Turbulence: A Polarization-Based Classification Method
浏览论文内容
中文总结 AI 辅助
本文提出一种基于偏振和位置角指标的决策树分类器，用于从合成图中恢复三维磁场几何，在亚阿尔文条件下有效，超阿尔文时失效。
中文摘要 AI 辅助
我们开发了一种决策树分类器，能够从磁化湍流场的合成偏振图和位置角图中恢复三维磁场几何。我们对一系列几何形状测试了该分类器：均匀、波浪、螺旋和沙漏。针对每种几何，分类器在一定的阿尔文马赫数范围和注入的斯托克斯Q、U噪声水平下进行校准。我们的模型显示，偏振分数的中位数和偏度以及位置角圆方差随几何形状和阿尔文马赫数系统性地变化。我们发现，通过使用多种偏振和位置角指标来打破简并，可以孤立出三维几何。对于亚阿尔文情况（阿尔文马赫数<1），分类器能很好地恢复大多数几何形状。当阿尔文马赫数>1时，所有几何形状的偏振和位置角统计量趋于一致，分类器无法恢复磁场结构。
英文摘要
We develop a decision tree classifier that recovers 3D magnetic field geometry from synthetic polarization and position angle maps of a magnetized, turbulent field. We test the classifier for a series of geometries: Uniform, Wavy, Helical, and Hourglass. The classifier is calibrated across a range of Alfvénic Mach numbers and injected Stokes Q,U noise levels for each geometry. Our models show the median and skewness of the polarization fraction, as well as the position angle circular variance, vary systematically with both geometry and the Alfvénic Mach number. We find that the 3D geometry can be isolated by using a variety of polarization and position angle metrics to break degeneracies. The classifier recovers most geometries well for sub-Alfvénic cases (Alfvénic Mach Number < 1). For Alfvénic Mach Number > 1, polarization and position angle statistics converge across all geometries and the classifier fails to recover the magnetic field structure.
发表机构
- Department of Physics and Astronomy, University of North Carolina Chapel Hill（北卡罗来纳大学教堂山分校物理与天文学系）
机构由 AI 辅助整理，请以论文原文为准。
