近期，中***科學院云南天文臺太陽物理研究團組副研究員洪俊超及其合作者研究員季凱帆、劉輝等人開展太陽觀測分析與人工智能學習的學科交叉研究，基于當前主流的日冕極紫外波段成像數據，利用機器學習方法預測日冕軟X射線波段輻射。相關研究結果以Mapping Solar X-Ray Images from SDO/AIA EUV Images by Deep Learning為題，發表在《天體物理學雜志》上。
 
日冕作為太陽大氣的***外層，由十分稀薄的、溫度高達百萬度甚至千萬度的等離子體組成。日冕中的自由電子被附近離子的電場散射，通過自由-自由躍起損失動能并輻射光子(free-free emission)，這***物理過程是日冕極紫外波段和軟X射線波段輻射的主要來源，也因此可在極紫外波段和軟X射線波段對日冕等離子體結構進行成像探測。
 
近年來，全日面日冕的探測主要來源于極紫外波段的成像觀測，由空間衛星SDO的太陽大氣成像儀AIA每12秒在6個極紫外波段(171、193、211、335、131、94 埃)同時進行全日面成像。而另外***臺衛星Hinode的軟X射線望遠鏡XRT每天只在幾個固定的時刻對日冕進行少量的全日面軟X射線波段成像。
 
該研究采用***種機器(深度)學習方法——人工智能卷積神經網絡，統計分析配對的AIA與XRT數據，建立了由AIA 6波段觀測至XRT軟X射線觀測的映射模型。研究表明，該模型能構造出與真實觀測***致的軟X射線數據，從而能夠緩解當前關于日冕軟X射線觀測的缺失。通過該方法預測日冕軟X射線觀測，比傳統方法利用極紫外日冕觀測反演日冕微分輻射測量(DEM)再預測軟X射線觀測更便捷、更快、更精確。研究進***步發現，結合由該方法預測的軟X-射線虛擬數據和實際觀測的日冕極紫外數據，可對日冕DEM作更為精確的反演，尤其是針對具有較高溫度等離子體(五百萬度以上)的日冕特征。未來，由機器學習虛擬的多波段觀測可能為某些具體的太陽物理分析(如日冕結構熱分布)提供數據輔助。
 
該研究獲得了******自然科學基金重點項目和面上項目、中科院太陽活動重點實驗室，以及科技部重大項目的支持。

注：文章來源于云南天文臺