准确确定太阳风参数对日地空间环境研究具有重要的意义。传统获取太阳风参数的方法依赖于日冕与行星际MHD模型的耦合，而后者需要前者在0.1 AU处的运算结果作为内边界条件后再进行传播计算，该过程计算量大、耗时长，难以满足实时的空间天气预报需求。为此，空间中心太阳活动与空间天气全国重点实验室（以下简称天气室）沈芳研究员团队与比利时荷语鲁汶大学Stefaan Poedts教授团队合作，引入了机器学习技术，实现太阳风参数在0.1AU处的快速重建与预测，为高效、实时的空间天气预报提供新思路。
研究提出了一种基于U-Net神经网络的太阳风参数快速生成方法。模型以GONG–ADAPT光球磁图为输入，以COCONUT MHD模型的输出结果为学习目标，通过训练实现0.1 AU处太阳风径向速度、数密度和径向磁场的直接预测。训练完成后，模型能够在单次运行中输出完整球面的太阳风参数分布，并有效捕捉其在卡林顿自转周期内的时序演化特征。
图1 所用U-Net模型架构
模型在测试集上取得了高精度的重建结果：径向速度、数密度和径向磁场的相关系数分别达到0.992、0.987和0.991；推导的Alfvén速度与动压的相关性分别达到0.996和0.769。模型不仅准确再现了关键太阳风参数的空间分布，还成功捕捉了其随时间变化的动态演化规律。
图2 模型重建的太阳风参数与MHD模型结果的比较
在计算效率方面，单次预测在仅使用CPU时耗时约7.8秒，在GPU（1 GPU + 10 CPU核）环境下仅需0.065秒，较传统COCONUT MHD模拟分别提升约15倍和1800倍。该成果显著提高了太阳风模型的运算效率，为实现近实时太阳风预报与大规模日球建模提供了可行的技术路径。
该研究得到了国家自然科学基金、国家重点研发计划、空间中心攀登计划等项目的联合资助。相关论文已发表于国际SCI期刊The Astrophysical Journal Supplemental Series上，第一作者是天气室博士研究生李雨淙，通讯作者为天气室沈芳研究员与比利时荷语鲁汶大学Stefaan Poedts教授。
文章链接：https://doi.org/10.3847/1538-4365/ae13a2