九游娱乐广告:科研动态｜空间中心科研人员提出一种根据U-Net模型进行三维行星际太阳风内鸿沟重建新办法

九游体育娱乐:

  精确确认太阳风参数对日地空间环境研讨具有极端严重的含义。传统获取太阳风参数的办法依赖于日冕与行星际磁流体动力学（MHD）模型的耦合，而后者需求前者在0.1 AU处的运算效果作为内鸿沟条件后再进行传达核算，该进程核算量大、耗时长，难以满意实时的空间气候预告需求。为此，中国科学院国家空间科学中心太阳活动与空间气候全国重点实验室（以下简称“气候室”）沈芳研讨员团队与比利时荷语鲁汶大学Stefaan Poedts教授团队协作，引入了机器学习技能，完成太阳风参数在0.1AU处的快速重建与猜测，为高效、实时的空间气候预告供给新思路。

  研讨提出了一种根据U型卷积神经网络（U-Net）神经网络的太阳风参数快速生成办法。模型以全球日震观测网络—美国光球磁通量同化传输模型（GONG–ADAPT）光球磁图为输入，以根据通用面向对象流体动力学结构的非结构网格日冕磁流体力学模型（COCONUT MHD）模型的输出效果为学习方针，经过练习完成0.1 AU处太阳风径向速度、数密度和径向磁场的直接猜测。练习完成后，模型可以在单次运转中输出完好球面的太阳风参数散布，并有用捕捉其在卡林顿自转周期内的时序演化特征。

  模型在测验集上取得了高精度的重建效果：径向速度、数密度和径向磁场的相关系数别离到达0.992、0.987和0.991；推导的阿尔文（Alfvén）速度与动压的相关性别离到达0.996和0.769。模型不只精确再现了要害太阳风参数的空间散布，还成功捕捉了其随时刻改变的动态演化规则。

  在核算功率方面，单次猜测在仅运用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模仿别离提高约15倍和1800倍。该效果显着提高了太阳风模型的运算功率，为完成近实时太阳风预告与大规模日球建模供给了可行的技能途径。

  该研讨得到了国家自然科学基金、国家重点研制方案、空间中心攀爬方案等项目的联合赞助。相关论文已发表于世界SCI期刊The Astrophysical Journal Supplemental Series上，榜首作者是气候室博士研讨生李雨淙，通讯作者为气候室沈芳研讨员与比利时荷语鲁汶大学Stefaan Poedts教授。