Deep Space Weather Model：基于多波长图像的长程太阳耀斑预测

基于摘要分析。本文研究多波长太阳图像中的太阳耀斑预测，提出 Deep Space Weather Model（Deep SWM），以多个深度状态空间模型处理十通道图像及长程时空依赖，并构建覆盖完整 11 年太阳活动周期的公开基准 FlareBench。 技术机制：作者指出，基于启发式物理特征的方法往往缺乏太阳图像的表征学习能力，而端到端方法难以建模长程时间依赖。Deep SWM 将状态空间建模与 sparse masked autoencoder 结合；后者采用两阶段掩码预训练，在压缩空间信息的同时保留太阳黑子等关键区域。摘要未披露状态空间模块的具体组织方式、关键区域识别与掩码生成规则、损失函数或训练规模，这些细节尚未验证。 结果与证据边界：作者报告，在 FlareBench 上，方法在衡量预测表现与可靠性的标准指标上优于基线及人类专家。摘要未给出指标名称、数值、预测时间范围、数据划分或专家评估条件，因此尚不能判断优势大小及比较的适用范围。实验协议、消融及统计信息尚未验证；覆盖完整太阳活动周期本身也不能替代对时间划分和评估流程的核对。 平台推测（待验证）：可迁移假设是，长程状态空间建模与关键区域保留式掩码预训练可能有助于 EEG 长时序表征学习，而非太阳耀斑预测任务本身可直接迁移。原方法依赖多通道空间图像及具有物理意义的局部区域；用于 EEG 时，可尝试复用时间建模思路，但需改造空间编码及掩码策略，不能将太阳黑子对应为脑电关键区域。低信噪比、通道布局差异、跨被试变化和小数据条件可能使掩码保留伪迹或导致过拟合。一个可检验的小实验是在固定 Cross-subject 划分和相同训练预算下，比较随机掩码与仅依据训练数据确定的通道—时间块保留策略，核对其对同一 EEG 任务指标的影响。相关 EEG 工作尚未检索确认，这些建议不构成已验证的 BCI 效果。