这篇论文讨论了机器学习在星际物理领域的应用，利用贝叶斯神经网络实现了精准的大气成分测算以及创新性地引入了一种新的损失函数提高了性能。

May, 2019

本文介绍了如何利用深度学习技术对NASA Solar Dynamics Observatory的大量数据进行处理和分析，以获得高精度的虚拟望远镜，提高观测能力和减少遥测需求。

Nov, 2019

本文提出了一种基于XGBoost的深度神经网络模型集成方法XGBoost-DL，应用于太阳黑子数的预测，取得了最优的预测效果，并展示了在Solar Cycle 25和26中的峰值预测结果。

Mar, 2022

本文利用三个异构数据集探索了太阳能预测模型的三种不同训练策略，并比较了局部模型和全局模型的性能，结果表明预训练模型在少量训练数据下可以优于其他两种策略。

Nov, 2022

本文使用Solar Dynamics Observatory的高分辨率极紫外光观测数据集，探讨了当前最先进的生成模型能够准确捕获观测到的太阳活动状态的数据分布的能力，并发现了基于StyleGAN的模型族处理太阳图像细节方面的严重缺陷。使用分布式训练，可以训练生成模型达到1024x1024分辨率，产生高质量的样本，可以与人类专家无法区分。

Apr, 2023

本文利用集成学习方法构建了CMETNet模型，通过对太阳风暴中的CMEs进行特征提取和图像处理，成功预测了CMEs到达地球的时间，平均绝对误差9.75小时。

Apr, 2023

本文针对研究低轨道物体受热层密度影响，提出优化以Space Environment Technologies（SET）为基础的$F_{10.7cm}$预测的方法，使用神经网络集成、多层感知器和长短期记忆等模型，其中最佳模型为组合多步预测和动态预测的集成方法，相较于基线，均方根误差相对提升在45%至55%间。

Jun, 2023

使用机器学习 (ML) 进行太阳耀斑预测的研究聚焦于SDO/HMI时期关于太阳周期24和太阳周期25开端的高分辨率磁光图数据，并在一些研究中回顾了SOHO/MDI关于太阳周期23的数据。本文中，我们考虑了超过4个太阳周期的多个仪器的日常历史磁光图数据。这是首次利用这些历史数据进行基于ML的耀斑预测尝试。我们应用卷积神经网络 (CNN) 从全盘磁光图中提取特征，并结合逻辑回归模型用于融合基于磁光图和耀斑历史的标量特征。我们采用集成方法生成在接下来的24小时内M级或更强耀斑的校准概率预测。总体而言，我们发现包含历史数据能够提高预测的准确性和可靠性。我们显示单帧磁光图中并不包含比少量标量特征所能概括的显著更多相关信息，并且耀斑历史的预测能力大于我们从CNN中提取的特征。这表明在耀斑预测模型中包含时间信息的重要性。

Aug, 2023

将太空中的极紫外光图像数据直接融入神经网络热层密度模型，可以代替地面代理指标、提高预测性能，为低地球轨道卫星导航流程中的操作性热层密度预测模型引入极紫外光数据的使用方法。

Nov, 2023

该论文介绍了一种利用深度神经网络模拟空间变异卷积的新框架，为天文图像去模糊的效率和准确性带来突破；通过对具有空间不变点扩散函数的图像数据集进行训练，并验证了其适用于空间变异条件，该方法在传统方法上具有显著突破，将卷积模拟器用作太阳图像的多目标多帧盲去模糊算法的前向模型，避免了分块整合技术所带来的伪影现象，从而在处理时间上具有重大的计算优势。

May, 2024