我最近参与了太阳物理研究团队的一项跨学科研究，包括我的同事季凯帆和刘辉。我们利用机器学习方法分析日冕的极紫外波段成像数据，并首次成功预测了软X射线波段的辐射分布。这项研究发表在《天体物理学杂志》上，题为“Mapping Solar X-Ray Images from SDO/AIA EUV Images by Deep Learning”。

日冕是太阳大气最外层，由非常稀薄但温度极高（甚至达千万度）的等离子体组成。在这些等离子体中，自由电子被附近离子的电场散射，从而通过自由-自由跃起损失动能并发出光子，这是日冕极紫외波段和软X射线波段辐射的主要来源。

近年来，全日面日冕的探测主要依赖于SDO(AIA)对6个极紫外波段每12秒全天观测，而Hinode(XRT)则每天只对几个固定的时刻进行少量全天软X射线波段观测。

我们的研究采用卷积神经网络，将配对的AIA与XRT数据进行统计分析，以建立从AIA 6个波段到XRT软X射线观测之间映射模型。结果表明，该模型能够构造出与真实观测一致的软X射线数据，从而缓解了当前对于日冕软X影象缺失的问题。此方法比传统方法更快、更精确，也可以用于反演DEM（微分辐照率）以获得更准确的地球磁场热分布信息。

该项目得到了国家自然科学基金重点项目、面上项目、中科院太阳活动重点实验室以及科技部重大项目的大力支持。未来，我们计划继续使用这种技术来辅助太阳物理分析，如深入了解高温特征区域的心理过程和结构变化。