تعد الفتحات الشديدة لامتصاص الطبقة الكروموسفيرية، مثل Hα 6562.8 A وCa II 8542.1 A، من الأساليب الأساسية لفهم ديناميات البلازما وبنية الحرارة في منطقة الكروموسفير الشمسية. على الرغم من أهمية هذا التحليل، إلا أن الطرق التقليدية مثل الانعكاسات الطيفية متعددة الطبقات (MLSI) قد تواجه تحديات حقيقية لكونها تعتمد على طرق تقليدية تتطلب وقتًا ومجهودًا كبيرين.

هنا يأتي دور الشبكات العصبية المدعومة بالفيزياء (PINN) لتقديم حل مبتكر. حيث تمكن هذه الشبكة من تسريع عملية الانعكاسات الطيفية من خلال توقع معلمات MLSI مباشرة من ملفات الطيف المرصودة، ثم تمريرها عبر نموذج أمامي متمايز لاستنباط الأطياف. يبدأ التدريب بخطوة أولى تركز على إعادة بناء الطيف، ومن ثم يتم تحسينه لتوفير انسجام طيفي مع إشراف على معلمات من النماذج التقليدية.

تساعد هذه الاستراتيجية في القضاء على الحاجة لمجموعات تدريب مسبقة ضخمة، مع الحفاظ على قابلية التفسير الفيزيائي. عندما تمت تجربة الطريقة على بيانات من تلسكوب Goode الشمسي، أظهرت النتائج أن خرائط معلمات MLSI-PINN تعيد إنتاج الهياكل الأساسية للأماكن المعكوسة التقليدية بدقة عالية، مع معدل ارتباط بييرسون يبلغ 0.933.

الأهم من ذلك، تستغرق عملية معالجة البيانات باستخدام MLSI-PINN حوالي 5-15 ثانية، مقارنة بالوقت التقليدي الذي يصل إلى 3-5 دقائق، مما يوفر سرعة استدلال تقارب 12-60 مرة دون التضحية بجودة إعادة البناء. يتوقع أن يؤدي هذا الابتكار إلى تغيير جذري في كيفية تحليل البيانات الكبيرة من الكروموسفير الشمسي بشكل أكثر كفاءة.