使用球面傅里叶神经算子的太阳风自回归代理建模
机器学习
2026-03-20 v1
摘要
太阳风是从日冕持续流出的带电粒子流，它塑造了日球层并影响近地空间系统。准确预测高速流和日冕物质抛射等特征对于空间天气预报至关重要，但传统的三维磁流体动力学（MHD）模型计算成本高昂，限制了边界条件不确定性的快速探索。我们引入了首个用于稳态太阳风径向速度的自回归机器学习代理模型，该模型使用球面傅里叶神经算子（SFNO）。通过预测有限的径向范围并迭代地将解向外传播，与单步方法相比，该模型提高了远距离区域的精度。与数值HUX代理模型相比，SFNO表现出优越或相当的性能，同时提供了一种灵活、可训练且数据驱动的替代方案，为高保真太阳风建模建立了一种新颖的方法论。源代码和额外的可视化结果可在https://github.com/rezmansouri/solarwind-sfno-velocity-autoregressive获取。
引用
@article{arxiv.2511.20830,
title = {Autoregressive Surrogate Modeling of the Solar Wind with Spherical Fourier Neural Operator},
author = {Reza Mansouri and Dustin Kempton and Pete Riley and Rafal Angryk},
journal= {arXiv preprint arXiv:2511.20830},
year = {2026}
}
备注
IEEE Conference on Data Mining (ICDM 2025)