科学家们开发了一种神经网络深度学习技术，可以从对太阳的观察中提取隐藏的湍流运动信息。对三组不同模拟数据的测试表明，可以从温度和垂直运动的数据中推断出水平运动。这项技术将有利于太阳天文学和其他领域，如等离子体物理学、聚变科学和流体动力学。

太阳对于可负担和清洁能源的可持续发展目标很重要，既是太阳能的来源，也是聚变能源的自然例子。我们对太阳的理解受到我们可以收集的数据的限制。观察太阳等离子体的温度和垂直运动相对容易，气体非常热，以至于成分原子分解成电子和离子。但是很难确定水平运动。

为了解决这个问题，由国家天文台和国家聚变科学研究所领导的一组科学家创建了一个神经网络模型，并为其提供了来自三种不同的等离子体湍流模拟的数据。训练后，神经网络能够正确推断出仅给定垂直运动和温度的水平运动。

该团队还开发了一种新颖的相干谱来评估不同尺寸尺度的输出性能。这项新的分析表明，该方法成功地预测了水平湍流运动中的大尺度模式，但在小特征方面存在问题。该团队现在正在努力提高小规模的性能。希望这种方法可以应用于未来的高分辨率太阳观测，如 SUNRISE-3 气球望远镜所预期的观测，以及实验室等离子体，如新能源聚变科学研究中产生的等离子体。

这些结果显示为 Ishikawa 等人。2022 年 2 月 16 日 天文学和天体物理学在线版中的“用于估计太阳表面水平速度场的多尺度深度学习” 。