面向太阳风数据驱动代理模型的球面傅里叶神经算子
机器学习
2026-04-17 v1
摘要
太阳风是来自太阳 corona 持续喷发的带电粒子流，塑造着日托带并影响地球附近的太空系统。诸如高速流和角质质量抛射等变化可扰乱卫星、电网和通信系统，因此对太空气候预报至关重要。虽然 3D 磁流体动力学（MHD）模型用于模拟和研究这些变化，但往往计算昂贵，限制了其在边界条件不确定性影响调查中的实用性。本文开发了一个用于稳态太阳风建模的代理模型，采用 Spherical Fourier Neural Operator（SFNO）。我们将模型与此前开发的用于此任务的数值代理模型 HUX 进行比较，表明 SFNO 在多个指标上实现了相当或更好的性能。尽管 HUX 在物理光滑性方面保留了优势，但这凸显了需要改进的评估标准，而非 SFNO 的缺陷。作为一种灵活且可训练的方法，SFNO 使实时预测成为可能，并可随数据增多而不断提升。源代码及更多可视化结果已公开于 https://github.com/rezmansouri/solarwind-sfno-velocity。
引用
@article{arxiv.2511.22112,
title = {Toward Data-Driven Surrogates 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:2511.22112},
year = {2026}
}
备注
International Conference on Machine Learning and Applications (ICMLA 2025)