在日地空间环境研究中，精确获取太阳风参数是关键环节。传统方法主要借助日冕与行星际磁流体动力学（MHD）模型的耦合，先通过前者在0.1天文单位（AU）处的运算结果作为内边界条件，再进行传播计算。然而，这一过程计算量巨大、耗时漫长，难以满足实时空间天气预报的迫切需求。
为突破这一瓶颈，中国科学院国家空间科学中心太阳活动与空间天气全国重点实验室的沈芳研究员团队，携手比利时荷语鲁汶大学Stefaan Poedts教授团队，引入机器学习技术，成功实现了太阳风参数在0.1 AU处的快速重建与预测，为空间天气预报开辟了高效、实时的新路径。
研究团队创新性地提出一种基于U型卷积神经网络（U-Net）的太阳风参数快速生成方法。该模型以全球日震观测网络—美国光球磁通量同化传输模型（GONG–ADAPT）的光球磁图作为输入，以基于通用面向对象流体动力学框架的非结构网格日冕磁流体力学模型（COCONUT MHD）的输出结果为学习目标。经过训练，模型能够直接预测0.1 AU处太阳风的径向速度、数密度和径向磁场。训练完成后，模型单次运行即可输出完整球面的太阳风参数分布，还能有效捕捉其在卡林顿自转周期内的时序演化特征。
在测试集上，该模型展现出了卓越的性能。径向速度、数密度和径向磁场的相关系数分别高达0.992、0.987和0.991；推导的阿尔文（Alfvén）速度与动压的相关性分别达到0.996和0.769。这表明模型不仅精准再现了关键太阳风参数的空间分布，还成功捕捉到了其随时间变化的动态规律。
在计算效率方面，该模型优势显著。仅使用CPU时，单次预测耗时约7.8秒；在GPU（1 GPU + 10 CPU核）环境下，仅需0.065秒。与传统COCONUT MHD模拟相比，分别提升了约15倍和1800倍。这一成果极大地提高了太阳风模型的运算效率，为近实时太阳风预报和大规模日球建模提供了可行的技术方案。
该研究得到了国家自然科学基金、国家重点研发计划、空间中心攀登计划等项目的联合资助。相关论文已发表于国际SCI期刊The Astrophysical Journal Supplemental Series。
