记者21日从中国科学院云南天文台获悉，该台研究人员基于当前主流的日冕极紫外波段成像数据，首次利用机器学习方法预测日冕软X射线波段辐射。研究结果发表在权威国际天文学杂志《天体物理学杂志》上。

　　日冕作为太阳大气的最外层，由十分稀薄的、温度高达百万度甚至千万度的等离子体组成。日冕中的自由电子被附近离子的电场散射，通过自由-自由跃起损失动能并辐射光子。这一物理过程是日冕极紫外波段和软X射线波段辐射的主要来源。人们因此可在极紫外波段和软X射线波段对日冕等离子体结构进行成像探测。

　　近十年，全日面日冕的探测主要来源于极紫外波段的成像观测，由空间卫星SDO的太阳大气成像仪AIA每12秒在6个极紫外波段同时进行全日面成像。而另外一台卫星Hinode的软X射线望远镜XRT每天只在几个固定的时刻对日冕进行少量的全日面软X射线波段成像。

　　近期，云南天文台太阳物理研究团组洪俊超副研究员及其合作者季凯帆研究员、刘辉研究员等人，开展了太阳观测分析与人工智能学习的学科交叉研究。他们采用一种机器深度学习方法——人工智能卷积神经网络，统计分析配对数据，建立了观测的映射模型。

　　通过输入多波段极紫外观测数据，机器学习模型预测软X射线日冕成像。（图片来源：云南天文台）

　　研究表明，这个模型能构造出与真实观测一致的软X射线数据，从而缓解当前关于日冕软X射线观测的缺失。通过该方法预测日冕软X射线观测比传统方法利用极紫外日冕观测反演日冕微分辐射测量再预测软X射线观测更便捷、更精确。

　　研究进一步发现，结合由该方法预测的软X-射线虚拟数据和实际观测的日冕极紫外数据，可以对日冕微分辐射测量作更为精确的反演，尤其是针对500万度以上高温等离子体的日冕特征。未来，由机器学习虚拟的多波段观测可能为日冕结构热分布等具体的太阳物理分析提供数据辅助。

　　科技日报记者 赵汉斌 通讯员 陈艳