美国宇航局(NASA)前沿发展实验室(FDL)的研究团队已经证明，通过使用人工智能(AI)深度学习，可以虚拟地监测太阳的极端紫外线(EUV)辐照度，这是空间天气的关键驱动因素。太阳对于生存至关重要，但通常一年发生几次的太阳耀斑有可能在太空和地球上造成严重破坏。这些中断可能会影响航天器，卫星，甚至地球上的系统，包括GPS导航，无线电通信和电网。

通过提供虚拟仪器来补充物理设备，深度学习可以帮助我们从当前监控太阳的能力中获得更多价值。这项研究发表在《科学进展》(用于监测太阳极端紫外光谱辐照度的深度学习虚拟仪器)上。美国宇航局前沿发展实验室团队成员和合著者Alexander Szenicer(牛津大学)说：我们的研究表明，深层神经网络可以被训练成模拟太阳动力学天文台(SDO)上的仪器。通过根据SDO上的其他仪器在任何给定时间观察到的情况。

(博科园图示)经过四年的数据培训后，AI深度学习网络(中心)可以摄取AIA图像(左)并输出EVE MEGS-A频谱的预测(右)。图片：Alexandre Szenicer

推断该传感器将检测到的紫外线辐射水平，证明有可能提高NASA任务的科学生产力，并增强监测空间天气太阳能来源的能力。前沿发展实验室是NASA Ames研究中心、SETI研究所和私营部门和太空机构合作伙伴之间的合作伙伴，包括Google Cloud、Intel AI、IBM、Kx Lockheed Martin、卢森堡航天局、NVIDIA、加拿大航天局、HPE和Element AI。

在为期8周的夏季研究加速器期间，由人工智能和自然科学领域早期职业研究人员组成的跨学科团队共同合作，应用人工智能和机器学习来解决重要的挑战问题。这项研究背后的挑战问题是开发一个使用SDO图像预测太阳光谱辐照度的AI模型。传统监测太阳EUV光谱辐照度的方法，包括试图预测EUV发射的物理启发模型。这些方法要么使用太阳表面的磁场分布，要么使用太阳日冕中等离子体分布的基于物理的反转。这些新结果表明，使用太阳成像观测来创建EUV光谱辐照度的代理测量是可能的。

将来自NASA的SDO的日冕图像馈送到深层神经网络，能够生成代理EUV测量，其精确度超过基于物理的模型。此外，研究团队还开发了用于比较EUV模型之间预测的基准和协议。这些将对今后的研究有用。到目前为止，通过将深度学习与大规模科学空间数据相结合，研究几乎没有触及到什么是可行的。数据科学和机器学习将在我们理解空间天气起源的努力中，发挥越来越重要的作用。