日冕物质抛射（CME）是太阳大气中大规模的高能爆发现象，能够将携带强磁场的等离子体云高速抛入行星际空间。当快速传播的CME与背景太阳风相互作用时，会形成激波。这些激波可高效加速带电粒子至极高能量，引发太阳高能粒子（SEP）事件，严重威胁航天器运行安全与宇航员健康。因此，快速、准确地获取CME驱动激波的三维形态、位置和物理参数，对于理解SEP的加速传播机制及提升空间天气预报能力具有重要意义。
太阳活动与空间天气全国重点实验室（以下简称天气室）沈芳研究员团队首次提出并建立了一种基于三维卷积神经网络（CNN）的深度学习模型，能够直接从三维数值模拟数据中自动、高效、准确地识别CME驱动的激波结构。
传统激波识别方法（如基于法向马赫数、压力或密度梯度的方法）往往依赖人工设定的阈值，在处理复杂、多变的日球层三维流场时适应性有限，且计算效率有待提升。为突破这一瓶颈，研究团队利用高分辨率三维磁流体动力学（MHD）模拟数据，发展了基于CNN的智能识别模型，能够从CME传播的三维数值模拟中自动检测激波结构。该模型以等离子体的压力、密度和三维速度分量作为多通道输入，通过多层三维卷积自动学习激波的局部与全局特征。
图1 基于CNN的激波表面识别方法架构
通过比较CNN模型与传统方法的表现，结果表明，CNN模型保持了高精度（精确率约0.90、召回率约0.80），计算速度较传统方法提升约4倍，且重建的激波面在三维形态上与物理方法高度一致。此外，该模型展现了良好的通用适应性，在不同CME初发模型的模拟数据中仍能准确识别激波结构。基于识别的三维激波面，研究人员进一步计算了熵变、激波法向、θBn角及激波速度等关键参数，结果显示CNN识别的激波点呈现正熵增，符合激波不可逆加热的物理本质，且激波速度在鼻区最高并向翼侧递减，θBn分布呈现鼻区准平行、侧翼准垂直的特征，从物理层面验证了模型的可靠性。
图2 CNN识别的CME驱动的激波面
未来将把优化的激波识别算法拓展至CME-SEP耦合传播的混合数值模拟中，进一步探索太阳高能粒子的起源与演化规律。
相关研究成果以“Identification of Coronal Mass Ejection–Driven Shocks Based on Numerical Simulation and Deep Learning”为题发表在了国际学术期刊The Astrophysical Journal上。该研究工作得到国家自然科学基金、国家重点研发计划及空间中心攀登计划等项目的联合资助。论文第一作者为天气室博士研究生李婧恩，通讯作者为沈芳研究员和杨易副研究员。
论文信息：Li, J.; Shen, F.; Yang, Y.; Ma, M.; Yang, L. Identification of Coronal Mass Ejection–Driven Shocks Based on Numerical Simulation and Deep Learning. ApJ 2026, 1002 (2), 154. https://doi.org/10.3847/1538-4357/ae5e51.