日冕物质抛射（CME）是太阳大气中大规模的高能爆发现象，能够将携带强磁场的等离子体云高速抛入行星际空间。当快速传播的CME与背景太阳风相互作用时，会形成激波。这些激波可高效加速带电粒子至极高能量，引发太阳高能粒子（SEP）事件，严重威胁航天器运行安全与宇航员健康。因此，快速、准确地获取CME驱动激波的三维形态、位置和物理参数，对于理解SEP的加速传播机制及提升空间天气预报能力具有重要意义。
    中国科学院国家空间科学中心太阳活动与空间天气全国重点实验室沈芳研究员团队首次提出并建立了一种基于三维卷积神经网络（CNN）的深度学习模型，能够直接从三维数值模拟数据中自动、高效、准确地识别CME驱动的激波结构。
    传统激波识别方法（如基于法向马赫数、压力或密度梯度的方法）往往依赖人工设定的阈值，在处理复杂、多变的日球层三维流场时适应性有限，且计算效率有待提升。为突破这一瓶颈，研究团队利用高分辨率三维磁流体动力学（MHD）模拟数据，发展了基于CNN的智能识别模型，能够从CME传播的三维数值模拟中自动检测激波结构。该模型以等离子体的压力、密度和三维速度分量作为多通道输入，通过多层三维卷积自动学习激波的局部与全局特征。

图1 基于CNN的激波表面识别方法架构

    通过比较CNN模型与传统方法的表现，结果表明，CNN模型保持了高精度（精确率约0.90、召回率约0.80），计算速度较传统方法提升约4倍，且重建的激波面在三维形态上与物理方法高度一致。此外，该模型展现了良好的通用适应性，在不同CME初发模型的模拟数据中仍能准确识别激波结构。基于识别的三维激波面，研究人员进一步计算了熵变、激波法向、θBn角及激波速度等关键参数，结果显示CNN识别的激波点呈现正熵增，符合激波不可逆加热的物理本质，且激波速度在鼻区最高并向翼侧递减，θBn分布呈现鼻区准平行、侧翼准垂直的特征，从物理层面验证了模型的可靠性。

图2 CNN识别的CME驱动的激波面

    未来将把优化的激波识别算法拓展至CME-SEP耦合传播的混合数值模拟中，进一步探索太阳高能粒子的起源与演化规律。
    相关研究成果以“Identification of Coronal Mass Ejection–Driven Shocks Based on Numerical Simulation and Deep Learning”为题发表在了国际学术期刊The Astrophysical Journal上。该研究工作得到国家自然科学基金、国家重点研发计划及空间中心攀登计划等项目的联合资助。论文第一作者为国家空间科学中心博士研究生李婧恩，通讯作者为沈芳研究员和杨易副研究员。

来源：国家空间科学中心