日冕作為太陽大氣的最外層，由十分稀薄的、溫度高達百萬度甚至千萬度的等離子體組成。日冕中的自由電子被附近離子的電場散射，通過自由-自由躍起損失動能并輻射光子(free-free emission)，這一物理過程是日冕極紫外波段和軟X射線波段輻射的主要來源，也因此可在極紫外波段和軟X射線波段對日冕等離子體結構進行成像探測。
近年來，全日面日冕的探測主要來源于極紫外波段的成像觀測，由空間衛星SDO的太陽大氣成像儀AIA每12秒在6個極紫外波段(171、193、211、335、131、94 埃)同時進行全日面成像。而另外一臺衛星Hinode的軟X射線望遠鏡XRT每天只在幾個固定的時刻對日冕進行少量的全日面軟X射線波段成像。
該研究采用一種機器(深度)學習方法——人工智能卷積神經網絡，統計分析配對的AIA與XRT數據，建立了由AIA 6波段觀測至XRT軟X射線觀測的映射模型。研究表明，該模型能構造出與真實觀測一致的軟X射線數據，從而能夠緩解當前關于日冕軟X射線觀測的缺失。通過該方法預測日冕軟X射線觀測，比傳統方法利用極紫外日冕觀測反演日冕微分輻射測量(DEM)再預測軟X射線觀測更便捷、更快、更精確。研究進一步發現，結合由該方法預測的軟X-射線虛擬數據和實際觀測的日冕極紫外數據，可對日冕DEM作更為精確的反演，尤其是針對具有較高溫度等離子體(五百萬度以上)的日冕特征。未來，由機器學習虛擬的多波段觀測可能為某些具體的太陽物理分析(如日冕結構熱分布)提供數據輔助。
該研究獲得了國家自然科學基金重點項目和面上項目、中科院太陽活動重點實驗室，以及科技部重大項目的支持。
