太阳耀斑可能是最著名的具有科幻色彩的物质，但是这些耀斑以及其他太空天气不仅会对航天器和卫星产生严重影响，还会对无线电通信和GPS导航等地球系统产生严重影响。然而，准确地监测太空天气可能是困难，昂贵和不可靠的。现在，美国国家航空航天局（NASA）的前沿发展实验室（FDL）已开发出一种基于深度学习的新方法，该方法可使研究人员更准确地捕获太阳的极端紫外线辐射。
过去，这种极端的紫外线辐射（或EUV）是造成太阳耀斑的原因，通常通过记录太阳上的磁场或等离子体的分布并将其输入到基于物理的模型中以预测EUV的方式进行监视发射。
但是，FDL使用了不同的方法：研究人员通过对太阳图像进行深度学习，创建了EUV辐照度的替代度量。太阳的图像是由美国国家航空航天局（NASA）于2010年发射的航天器太阳动力学天文台提供的，用于从地球周围的地球同步轨道观测太阳。
“我们的研究表明如何训练一个深层神经网络来模仿太阳动力学天文台（SDO）上的仪器，”研究小组成员，合著者亚历山大·塞尼泽（Alexander Szenicer）说。“通过根据任意给定时间SDO上其他仪器正在观测的内容推断传感器将检测到的紫外线辐射水平，我们证明了可以提高NASA任务的科学生产率并提高我们监控太空太阳源的能力天气。”
模型输入（左），模型（中心）和模型输出（右）。图片来源：Alexandre Szenicer
深度学习方法的结果超过了当前基于物理学的模型-并且，作为评估结果的一部分，该团队开发了用于比较预测的新基准，他们希望这些基准可以在将来的研究中派上用场。
这项研究是FDL进行的为期八周的夏季研究加速器的结果，该加速器是NASA艾姆斯研究中心，SETI研究所与许多其他私有和公共合作伙伴（包括Google Cloud，Intel AI，IBM，Nvidia， HPE等。去年夏天，挑战在于开发一个AI模型以使用SDO图像来预测光谱辐照度。
突破已经发表在Vol。5，《科学进展》第10期，“用于监视极端紫外线太阳光谱辐照度的深度学习虚拟仪器。”由Alexandre Szenicer，David F.Fouhey，Andres Munoz-Jaramillo，Paul J. Wright，Rajat Thomas，Richard Galvez撰写
