Surya：NASA与IBM联合推出日球物理学AI基础模型，3.66亿参数开源可微调

由NASA、IBM及合作伙伴联合开发的Surya，是全球首个面向日球物理学的开源AI基础模型。该模型拥有3.66亿参数，基于NASA太阳动力学天文台（SDO）9年的多仪器观测数据（约218TB）预训练，能学习具备物理感知的通用太阳表征，在太阳耀斑预测、空间天气分析等任务中表现领先，目前已开源至Hugging Face，供全球科研人员使用。

• GitHub：https://github.com/NASA-IMPACT/Surya
• 模型：https://huggingface.co/nasa-ibm-ai4science/Surya-1.0

核心定位：日球物理学的“通用AI底座”

Surya并非针对单一太阳观测任务设计，而是通过海量数据学习太阳活动的通用规律，为多类日球物理研究提供基础模型支撑：

• 学科适配：专注日球物理学领域，填补该领域“通用AI基础模型”的空白，改变传统“任务专用模型”需重复开发的现状；
• 核心价值：将AI能力与太阳物理研究结合，助力科学家更高效理解太阳活动、精准预测空间天气——这对保护卫星、电网、通信系统及保障宇航员安全至关重要；
• 开源属性：完整开放模型权重、配置文件及数据预处理流程，确保研究可复现性，全球科研机构、初创企业均可免费下载、微调。

关键技术：数据、架构与能力亮点

Surya的性能优势源于“大规模高质量数据”“创新架构设计”与“灵活的功能特性”，具体可从三方面解析：

1. 数据基础：9年SDO全分辨率多仪器数据

模型预训练数据来自NASA太阳动力学天文台（SDO），覆盖近一个完整太阳活动周期（2010–2019），数据规模与质量达到领域领先：

• 多仪器覆盖：包含AIA（大气成像组件，8个观测通道）与HMI（日震与磁场成像仪，5个产品通道），共13个通道数据，全面捕捉太阳大气、磁场等关键信息；
• 全分辨率处理：原生支持4096×4096像素分辨率，时间间隔12分钟，保留太阳活动的细节特征，避免低分辨率导致的信息丢失；
• 数据体量：总数据量约218TB，经过标准化处理，可直接用于机器学习训练，降低科研人员数据预处理成本。

2. 架构设计：频谱门控+长-短程注意力，兼顾细节与全局

采用时空变换器架构，融合两项核心技术，高效建模太阳活动的动态规律：

• 频谱门控（Spectral Gating）：通过频域滤波技术，筛选太阳活动数据中的关键频率信息，减少冗余噪声干扰；
• 长-短程注意力机制：既能捕捉太阳表面局部细节（如活动区纹理），又能关联全局动态（如太阳风传播趋势），避免传统模型“顾局部失全局”的问题。

3. 核心能力特性：零样本+灵活微调，适配多场景

• 零样本能力：无需额外训练，即可直接用于太阳动态预测、耀斑事件识别等任务，降低快速验证研究假设的门槛；
• LoRA微调支持：支持参数高效的LoRA（低秩适应）技术，科研人员可针对特定任务（如某类太阳耀斑预测）微调模型，无需全量训练，节省计算资源；
• 长时预测能力：预训练目标包含“1小时前预测”与“最长12小时自回归滚动调优”，可支持中短期空间天气预测需求。

应用场景：四大核心任务，性能超越传统方案

Surya可通过微调适配多类日球物理与空间天气任务，且在关键指标上超越现有基准，具体表现如下：