在日地空间环境研究中，准确获取太阳风参数是至关重要的一环。传统方法主要依赖日冕仪观测与行星际磁流体力学（MHD）模型的耦合，先将前者在0.1天文单位（AU）处的计算结果作为内边界条件，再实施三维传播模拟。然而，这种计算流程需要消耗巨大的计算资源与时间，难以满足现代空间气象预报中日益增长的实时性需求。
为突破这一技术瓶颈，中国科学院国家空间科学中心太阳活动与空间天气全国重点实验室的沈芳研究员团队，联合比利时荷语鲁汶大学Stefaan Poedts教授课题组，创新引入机器学习技术，成功实现了0.1 AU处太阳风参数的快速重建与预报，为空间天气预测开辟了高效精准的新路径。
研究团队开创性地提出了一种基于U型卷积神经网络（U-Net）的太阳风参数瞬时生成方法。该模型以全球日震观测网——美国光球磁通量同步传输模型（GONG–ADAPT）的磁图数据作为输入，以基于通用面向对象流体力学框架的非结构网格日冕磁流体模型（COCONUT MHD）的输出结果为学习目标。经过训练后，模型能直接预测0.1 AU处太阳风的径向速度、等离子体密度及径向磁场强度。训练完成后，模型单次运行即可输出全球截面的太阳风参数分布，并能有效捕捉其在卡林顿自转周期内随时间演变的序列特征。
在测试集上，该模型展现出卓越的拟合性能。径向速度、密度和径向磁场的相关系数分别高达0.992、0.987和0.991；基于输出推导的阿尔文（Alfvén）速度与动压的相关性也达到了0.996与0.769。这表明模型不仅准确还原了关键太阳风参数的空间结构，还成功捕捉到了其随时间变化的动态规律。
在计算效率方面，该模型的表现尤为突出。仅使用CPU运算时，单次预测耗时约7.8秒；而在GPU加速环境下（1 GPU + 10 CPU核），仅需0.065秒即可完成。相较传统的COCONUT MHD数值模拟，计算速度分别提升约15倍和1800倍。这一突破大幅提高了太阳风模型的运算效能，为近实时太阳风预报及大规模日球层数值模拟提供了可行的技术方案。
本研究获得了国家自然科学基金、国家重点研发计划及国家空间科学中心攀登计划等多个项目的联合资助。相关成果已发表于国际SCI期刊《The Astrophysical Journal Supplemental Series》。
