机器学习助力木星探测：DiffFluxReconstruction重构太阳高能粒子能谱

欧洲航天局JUICE任务中的RADEM辐射监测器利用集成神经网络模型，通过机器学习技术从计数率数据中重建太阳高能粒子的微分能谱，为深空探测提供关键辐射环境监测能力。该项目（DiffFluxReconstruction）旨在解决木星极端辐射环境下的能谱重建问题，提升航天器辐射风险评估精度。

在太阳系探索中，辐射环境是航天器设计与任务规划的核心挑战。太阳高能粒子（SEP）事件释放的高能带电粒子流（能量范围数兆至千兆电子伏特）对航天器设备、太阳能板及宇航员健康构成威胁。木星系统辐射环境恶劣，其磁场捕获大量高能粒子形成强辐射带。ESA的JUICE任务将深入该环境探测木星冰卫星。

JUICE任务搭载的RADEM辐射监测器负责实时监测辐射环境，测量入射粒子计数率。但计数率无法直接反映粒子能量分布，传统能谱重建依赖简化物理模型与假设，在深空复杂环境中存在精度不足或计算效率低的问题。

DiffFluxReconstruction采用集成神经网络方法：核心为三个神经网络集成，每个集成含20个独立训练的网络。集成策略通过多模型投票降低预测方差，提升鲁棒性。三个集成输入特征数量不同，推理时根据输入计数率与背景阈值动态选择，以减少噪声影响优化准确性。

训练数据来源包括RADEM 2023年10月21日至2025年2月17日的在轨数据，以及NASA STEREO-A探测器的辐射能谱数据用于交叉验证。项目包含RADEM各探测单元的响应函数建模（连接计数率与物理能谱的关键），还开发模拟数据集生成工具以扩充样本或测试极端条件表现。

项目采用Python 3.14开发，代码结构模块化：Data（原始/预处理数据）、NeuralNetworks（模型参数/超参数/模拟数据）、Response Functions（响应函数定义）、JupyterNotebooks（可视化分析）、Modules（核心功能）、Scripts（训练/调优脚本）、Tests（功能测试）。提供虚拟环境配置指南确保可复现性。

该项目成果论文《Flux reconstruction with Machine Learning techniques for the ESA JUICE mission radiation monitor, RADEM》正在AGU期刊同行评审。其价值包括：支撑JUICE实时辐射监测以评估风险；展示机器学习在空间数据处理中超越传统方法的潜力；开源性质促进社区协作，可被其他任务借鉴。

DiffFluxReconstruction是机器学习与深空探测结合的典型案例，为JUICE任务深入木星系统提供重要数据支撑。随着更多深空任务实施，此类机器学习辅助数据分析方法有望在空间科学领域发挥更大作用。