基于长短期记忆网络的太阳活性区域磁通演变预测
人工智能
2026-04-07 v1
摘要
太阳活性区域（AR）是太空天气事件的主要驱动力，其早期预测对于运营预测系统至关重要。我们开发了能够利用连续光度和太阳振荡功率图的1D时间序列预测AR演变过程中磁通变化的机器学习模型，这些观测涵盖53个活性区域及其周围的安静太阳区域。每个观测在固定的 视场内进行采样。这些观测捕捉了每个活性区域的时间演变，并用于训练和验证我们的MagFluxLSTM和MagFluxEnc-Dec模型。MagFluxLSTM架构实现了单阶段标准的长短期记忆（LSTM）网络。MagFluxEnc-Dec代表一种带有教师强制的LSTM编码器-解码器。为测试和评估模型性能，我们使用连续光度和振荡功率图（从多种频率带的多普切速度计算得到）作为输入，以预测磁通。我们使用验证导数RMSE对前100个超参数配置进行排名，发现其中98%对应于MagFluxLSTM，仅2%对应于MagFluxEnc-Dec。因此，尽管MagFluxEnc-Dec架构具有更高的模型复杂度，但其对训练集之外的AR的泛化能力较差且训练不够稳定，而更简单的MagFluxLSTM能够在实验和操作类型设置下，为5个测试AR提前3-10小时预测磁通涌现，12小时预测窗口内实现稳定预测。
引用
@article{arxiv.2604.03506,
title = {BioAlchemy: Distilling Biological Literature into Reasoning-Ready Reinforcement Learning Training Data},
author = {Brian Hsu and Ozan Gökdemir and Carlo Siebenschuh and Bruce Parrello and Neil Getty and Thomas S. Brettin and Rick L. Stevens and Ian T. Foster and Nicholas Chia and Arvind Ramanathan},
journal= {arXiv preprint arXiv:2604.03506},
year = {2026}
}