使用计算机视觉技术检测太阳上的日冕洞区域并估计其大小，利用深度学习方法分析日冕洞面积的趋势，并预测未来七天不同太阳区域中日冕洞的面积。通过研究时间序列数据，希望找出日冕洞行为的模式，并了解其对太空天气的潜在影响，以提高我们预测和应对可能影响地球技术系统的太空天气事件的能力。

May, 2024

通过对太阳大气进行窄频波段光度法、光谱学和盘面综合发射的观测以及太阳风现场测量，以理解太阳风的来源区域、太阳冠的加热机制和寂静太阳区域与背景平静区域的动力学差异，同时利用机器学习和数值模拟工具，采用可解释的人工智能进行太阳风预报。

Apr, 2023

本文介绍了一种基于物理驱动的人工智能方法来预测日冕物质抛射的行程时间，其中利用了两个级联神经网络馈送远程观测和现场数据。这项研究表明，在人工智能结构中使用物理信息显著提高了行程时间预测的准确性和稳健性。

May, 2023

本文中提出了一种基于量子机制的量子图像分割算法，可解决传统基于灰度形态学的算法在处理大规模数据时的实时性问题，并通过在灰度图像的所有像素上同时执行形态学操作，快速将图像分割为二值图像。通过设计并结合多个量子电路单元，包括膨胀、腐蚀、底帽变换和顶帽变换等，构建了用于分割 NEQR 图像的完整量子电路。对于一个 2^n * 2^n 图像，其复杂度可以降低到 O (n^2+q)，相比传统算法速度提升是指数级的。最后，实验在 IBM Q 上展示了我们的算法在噪声中等规模量子（NISQ）时代的可行性。

Oct, 2023

通过使用卷积神经网络的强度测量来估计实时局部振荡器中的相位信息，以实现对 CV-QKD 星地通信中由大气湍流引起的相位失真的补偿，为全球量子通信应用提供了一种新的部署范式。

May, 2023

太阳图像超分辨率的关键是使用了一种名为 SolarCNN 的注意力卷积神经网络，它旨在提高 Michelson Doppler Imager (MDI) 收集的太阳活跃区域的视线磁图质量。通过使用 Solar Dynamics Observatory (SDO) 上的 Helioseismic and Magnetic Imager (HMI) 收集的视线磁图作为训练数据，SolarCNN 改进了 SOHO/MDI 视线磁图的质量，提高了空间天气的理解和预测能力。

Mar, 2024

该研究开发了一种利用机器学习和统计学方法来跟踪太阳活动的技术，并使用 1D 时间序列转换和特征抽取来将观测图像分类为 “太阳风暴” 和 “非风暴”，得出了高达 0.999 的分类准确率。

Jun, 2023

利用声压密度变化的机器学习模型，可以在太阳表面的特定区域提前 5 小时预测连续强度是否会减小，这将有助于创建对未来太空天气干扰的早期预警能力。

Feb, 2024

该研究探索了一种基于混合量子 - 经典算法的应用，用于基于认知衰退的重要性对早期认知障碍患者进行从安静态功能磁共振成像中获得的感兴趣区域时间序列数据的分类，通过经典一维卷积层与量子卷积神经网络的混合算法。在类似的训练条件下，所提出的混合算法在经典模拟中表现出比经典卷积神经网络更高的平衡准确性。此外，在模型性能的基础上，发现了 116 个脑区中的 9 个脑区（左侧前中央回、右上颞回、左侧罗兰迪操作、右侧罗兰迪操作、左侧海马旁回、右侧海马、左侧前额中央回、右侧小脑舟状核和小脑蚓部）对于分类具有相对有效的脑部区域。所选定的这 9 个脑区与认知衰退的相关性在之前的研究中得到了进一步的验证，通过基于种子的功能连接分析。我们证实了量子卷积神经网络的模型性能提升以及来自我们的混合量子 - 经典模型的脑区的神经科学有效性。

Mar, 2024

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