科研动态 | 我院冯劼严建祺团队在宇宙射线质子通量测量方法研究方面取得重要进展

       近日，中山大学物理与天文学院赵鹏伟博士生（共同第一作者）、我院严建祺博士后（共同第一作者）、冯劼副教授（唯一通讯作者）及香港大学理学院Alex Po Leung助理教授合作，在天体物理学权威期刊《The Astrophysical Journal Supplement Series》（IF=8.5，中科院小类1区top）上发表了题为“Measurements of Cosmic Proton Flux through Neutron Monitors Using Deep Networks and Imputation Techniques in the AMS-02 Era”的研究论文。该研究提出了一种基于深度学习与地面中子监测器数据的创新方法，成功重建了2011至2024年间宇宙射线质子通量的连续日分辨率数据，并首次实现了对宇宙线质子通量的小时分辨率的计算，为研究太阳活动的短时变化提供了关键数据支持。

       宇宙射线在进入太阳系时，其强度会受到太阳活动（如太阳黑子周期、日冕物质抛射等）的调制。精确测量其通量，特别是占主要成分的质子通量，对于理解日球层物理和空间天气至关重要。目前，最精确的宇宙射线质子通量数据来自国际空间站上的阿尔法磁谱仪（AMS-02），但其数据存在中断期，且时间分辨率有限，难以捕捉如福布什下降（Forbush Decrease）等持续仅几天甚至数小时的瞬变事件。

       针对这一挑战，研究团队巧妙地将地面中子监测器（NM）的长期、高时间分辨率数据与AMS-02的精确测量相结合。他们首先利用SAITS等先进的时序数据填补算法，处理了全球18个中子监测站数据中的缺失值进而构建了连续、完整的地面观测数据集。随后，团队设计并训练了一个深度残差神经网络模型，从填补后的中子监测站数据中提取特征，学习其与AMS-02测量的质子通量之间的复杂非线性映射关系，模型架构及质子通量计算流程如图 1 所示。

图 1 宇宙射线质子通量计算流程及深度残差神经网络模型架构图

       该模型在测试集上取得了优异的性能（R²分数达0.998），表明其能高精度地从地面数据反演空间质子通量。利用此模型，研究团队不仅填补了AMS-02在2014年及2018-2019年因设备升级造成的数据空白，如图2，还将连续数据集延伸至2024年。

图 2从2014年7月1日到2015年5月1日，磁刚度为[5.90-6.47]GV的宇宙线质子流强流强日变化，机器学习计算（ML method，红）结果与AMS（蓝）直接测量结果对比。虚线作为27天周期的Bartels Rotations的分割线。

       该工作还首次生成了1-100 GV能段的小时级质子通量数据，为福布什下降研究提供重要数据支持，如图3。该工作生成的长期、连续、高分辨率质子通量数据集，为太阳物理与空间天气研究提供了关键数据基础。
 

图 3 小时分辨率宇宙射线质子通量数据（[1.51-1.71] GV能段）用于福布什下降（Forbush Decrease）研究的示例

       此外，基于重建的连续通量数据，研究团队应用小波分析深入探究了第24太阳活动周（特别是第 24 太阳活动周独特的极区磁场反转期间）质子通量的周期性变化。分析结果证实了与太阳自转相关的27天、13.5天及9天周期，并发现即使在磁场反转这一特殊事件期间，这些基本周期性行为也未受到显著影响，揭示了背后可能存在的稳定物理机制。

       此次研究不仅在数据重建上取得突破，更在跨观测手段融合方面具有重要意义，该工作有效弥合了空间直接测量与地面间接观测之间的鸿沟，构建了一个连接多源数据的深度学习框架。所生成的长期、连续、高时间分辨率的质子通量数据集，已通过Zenodo平台公开共享，将为太阳物理、空间天气及宇宙射线物理等领域的研究提供宝贵的数据资源。

论文链接：

 https://doi.org/10.3847/1538-4365/ae1cc1 

数据地址：

 https://doi.org/10.5281/zenodo.17181237