點(diǎn)擊“國(guó)家空間科學(xué)中心”關(guān)注我們吧
日冕物質(zhì)拋射(CME)是太陽(yáng)大氣中大規(guī)模的高能爆發(fā)現(xiàn)象,能夠?qū)y帶強(qiáng)磁場(chǎng)的等離子體云高速拋入行星際空間。當(dāng)快速傳播的CME與背景太陽(yáng)風(fēng)相互作用時(shí),會(huì)形成激波。這些激波可高效加速帶電粒子至極高能量,引發(fā)太陽(yáng)高能粒子(SEP)事件,嚴(yán)重威脅航天器運(yùn)行安全與宇航員健康。因此,快速、準(zhǔn)確地獲取CME驅(qū)動(dòng)激波的三維形態(tài)、位置和物理參數(shù),對(duì)于理解SEP的加速傳播機(jī)制及提升空間天氣預(yù)報(bào)能力具有重要意義。
![]()
中國(guó)科學(xué)院國(guó)家空間科學(xué)中心太陽(yáng)活動(dòng)與空間天氣全國(guó)重點(diǎn)實(shí)驗(yàn)室沈芳研究員團(tuán)隊(duì)首次提出并建立了一種基于三維卷積神經(jīng)網(wǎng)絡(luò)(CNN)的深度學(xué)習(xí)模型,能夠直接從三維數(shù)值模擬數(shù)據(jù)中自動(dòng)、高效、準(zhǔn)確地識(shí)別CME驅(qū)動(dòng)的激波結(jié)構(gòu)。
傳統(tǒng)激波識(shí)別方法(如基于法向馬赫數(shù)、壓力或密度梯度的方法)往往依賴人工設(shè)定的閾值,在處理復(fù)雜、多變的日球?qū)尤S流場(chǎng)時(shí)適應(yīng)性有限,且計(jì)算效率有待提升。為突破這一瓶頸,研究團(tuán)隊(duì)利用高分辨率三維磁流體動(dòng)力學(xué)(MHD)模擬數(shù)據(jù),發(fā)展了基于CNN的智能識(shí)別模型,能夠從CME傳播的三維數(shù)值模擬中自動(dòng)檢測(cè)激波結(jié)構(gòu)。該模型以等離子體的壓力、密度和三維速度分量作為多通道輸入,通過(guò)多層三維卷積自動(dòng)學(xué)習(xí)激波的局部與全局特征。
![]()
圖1 基于CNN的激波表面識(shí)別方法架構(gòu)
通過(guò)比較CNN模型與傳統(tǒng)方法的表現(xiàn),結(jié)果表明,CNN模型保持了高精度(精確率約0.90、召回率約0.80),計(jì)算速度較傳統(tǒng)方法提升約4倍,且重建的激波面在三維形態(tài)上與物理方法高度一致。此外,該模型展現(xiàn)了良好的通用適應(yīng)性,在不同CME初發(fā)模型的模擬數(shù)據(jù)中仍能準(zhǔn)確識(shí)別激波結(jié)構(gòu)。基于識(shí)別的三維激波面,研究人員進(jìn)一步計(jì)算了熵變、激波法向、θBn角及激波速度等關(guān)鍵參數(shù),結(jié)果顯示CNN識(shí)別的激波點(diǎn)呈現(xiàn)正熵增,符合激波不可逆加熱的物理本質(zhì),且激波速度在鼻區(qū)最高并向翼側(cè)遞減,θBn分布呈現(xiàn)鼻區(qū)準(zhǔn)平行、側(cè)翼準(zhǔn)垂直的特征,從物理層面驗(yàn)證了模型的可靠性。
![]()
圖2 CNN識(shí)別的CME驅(qū)動(dòng)的激波面
未來(lái)將把優(yōu)化的激波識(shí)別算法拓展至CME-SEP耦合傳播的混合數(shù)值模擬中,進(jìn)一步探索太陽(yáng)高能粒子的起源與演化規(guī)律。
![]()
相關(guān)研究成果以“Identification of Coronal Mass Ejection–Driven Shocks Based on Numerical Simulation and Deep Learning”為題發(fā)表在了國(guó)際學(xué)術(shù)期刊The Astrophysical Journal上。該研究工作得到國(guó)家自然科學(xué)基金、國(guó)家重點(diǎn)研發(fā)計(jì)劃及空間中心攀登計(jì)劃等項(xiàng)目的聯(lián)合資助。論文第一作者為國(guó)家空間科學(xué)中心博士研究生李婧恩,通訊作者為沈芳研究員和楊易副研究員。
![]()
論文信息:
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.
![]()
歡迎關(guān)注我們,轉(zhuǎn)載授權(quán)、投稿事宜請(qǐng)
在文后留言,小編會(huì)盡快處理
特別聲明:以上內(nèi)容(如有圖片或視頻亦包括在內(nèi))為自媒體平臺(tái)“網(wǎng)易號(hào)”用戶上傳并發(fā)布,本平臺(tái)僅提供信息存儲(chǔ)服務(wù)。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.