We suggest a method that evaluates the horizontal velocity in the solar photosphere with easily observable values using a combination of neural network and radiative magnetohydrodynamics simulations. All three-component velocities of thermal convection on the solar surface have important roles in generating waves in the upper atmosphere. However, the velocity perpendicular to the line of sight (LoS) is difficult to observe. To deal with this problem, the local correlation tracking (LCT) method, which employs the difference between two images, has been widely used, but this method has several disadvantages. We develop a method that evaluates the horizontal velocity from a snapshot of the intensity and the LoS velocity with a neural network. We use data from numerical simulations for training the neural network. While two consecutive intensity images are required for LCT, our network needs just one intensity image at only a specific moment for input. From these input arrays, our network outputs a same-size array of a two-component velocity field. With only the intensity data, the network achieves a high correlation coefficient between the simulated and evaluated velocities of 0.83. In addition, the network performance can be improved when we add LoS velocity for input, enabling us to achieve a correlation coefficient of 0.90. Our method is also applied to observed data.

中文翻译：

---

使用神经网络和快照数据数值模拟进行太阳能水平流评估

我们提出了一种方法，结合神经网络和辐射磁流体动力学模拟，以易于观测的值来评估太阳光球层中的水平速度。太阳表面热对流的所有三分量速度对于在高层大气中产生波具有重要作用。然而，垂直于视线（LoS）的速度很难观察到。为了解决这个问题，利用两幅图像之间的差异的局部相关跟踪（LCT）方法已被广泛使用，但该方法有几个缺点。我们开发了一种通过神经网络从强度快照和视距速度评估水平速度的方法。我们使用数值模拟的数据来训练神经网络。虽然 LCT 需要两张连续的强度图像，但我们的网络只需要在特定时刻输入一张强度图像。从这些输入数组中，我们的网络输出一个相同大小的二分量速度场数组。仅使用强度数据，网络在模拟速度和评估速度之间实现了 0.83 的高相关系数。此外，当我们添加输入的LoS速度时，网络性能可以得到改善，使我们能够实现0.90的相关系数。我们的方法也适用于观测数据。该网络在模拟速度和评估速度之间实现了 0.83 的高相关系数。此外，当我们添加输入的LoS速度时，网络性能可以得到改善，使我们能够实现0.90的相关系数。我们的方法也适用于观测数据。该网络在模拟速度和评估速度之间实现了 0.83 的高相关系数。此外，当我们添加输入的LoS速度时，网络性能可以得到改善，使我们能够实现0.90的相关系数。我们的方法也适用于观测数据。