在日地空間環境研究中，精確獲取太陽風參數是關鍵環節。傳統方法主要借助日冕與行星際磁流體動力學（MHD）模型的耦合，先通過前者在0.1天文單位（AU）處的運算結果作為內邊界條件，再進行傳播計算。然而，這一過程計算量巨大、耗時漫長，難以滿足實時空間天氣預報的迫切需求。
為突破這一瓶頸，中國科學院國家空間科學中心太陽活動與空間天氣全國重點實驗室的沈芳研究員團隊，攜手比利時荷語魯汶大學Stefaan Poedts教授團隊，引入機器學習技術，成功實現了太陽風參數在0.1 AU處的快速重建與預測，為空間天氣預報開辟了高效、實時的新路徑。
研究團隊創新性地提出一種基于U型卷積神經網絡（U-Net）的太陽風參數快速生成方法。該模型以全球日震觀測網絡—美國光球磁通量同化傳輸模型（GONG–ADAPT）的光球磁圖作為輸入，以基于通用面向對象流體動力學框架的非結構網格日冕磁流體力學模型（COCONUT MHD）的輸出結果為學習目標。經過訓練，模型能夠直接預測0.1 AU處太陽風的徑向速度、數密度和徑向磁場。訓練完成后，模型單次運行即可輸出完整球面的太陽風參數分布，還能有效捕捉其在卡林頓自轉周期內的時序演化特征。
在測試集上，該模型展現出了卓越的性能。徑向速度、數密度和徑向磁場的相關系數分別高達0.992、0.987和0.991；推導的阿爾文（Alfvén）速度與動壓的相關性分別達到0.996和0.769。這表明模型不僅精準再現了關鍵太陽風參數的空間分布，還成功捕捉到了其隨時間變化的動態規律。
在計算效率方面，該模型優勢顯著。僅使用CPU時，單次預測耗時約7.8秒；在GPU（1 GPU + 10 CPU核）環境下，僅需0.065秒。與傳統COCONUT MHD模擬相比，分別提升了約15倍和1800倍。這一成果極大地提高了太陽風模型的運算效率，為近實時太陽風預報和大規模日球建模提供了可行的技術方案。
該研究得到了國家自然科學基金、國家重點研發計劃、空間中心攀登計劃等項目的聯合資助。相關論文已發表于國際SCI期刊The Astrophysical Journal Supplemental Series。
