可扩展机器学习分析帕克森太空探测器日食风数据
机器学习
2025-10-27 v1 太阳与恒星天体物理
空间物理
摘要
我们提出了一种基于分布式处理和量子灵感核密度矩阵（KDM）方法的，可扩展机器学习框架，用于分析帕克森太空探测器（PSP）日食风数据。该数据集（2018--2024年）规模超过150 GB，挑战了传统分析方法。我们的框架利用Dask进行大规模统计计算，并利用KDM估计关键日食风参数（包括日食风速度、质子密度和质子热速度）的单变量和双变量分布，以及每个参数的异常阈值。我们揭示了日内日球面的特征趋势，包括随着与太阳距离增加而日食风速度增大、质子密度减小，以及速度与密度之间的反关系。日食风结构在增强和调节极端太空天气现象方面发挥关键作用，可引发磁暴；我们的分析提供了对这些过程的定量见解。该方法提供了一种可处理、可解释且分布式的方法，用于探索复杂物理数据集，并促进了大规模原位测量的可重复分析。处理后的数据产品和分析工具已公开提供，以促进日食风动力学和太空天气预测的未来研究。本研究使用的代码和配置文件已公开提供，以支持可重复性。
引用
@article{arxiv.2510.21066,
title = {Scalable Machine Learning Analysis of Parker Solar Probe Solar Wind Data},
author = {Daniela Martin and Connor O'Brien and Valmir P Moraes Filho and Jinsu Hong and Jasmine R. Kobayashi and Evangelia Samara and Joseph Gallego},
journal= {arXiv preprint arXiv:2510.21066},
year = {2025}
}