Аннотация:
Исследовательская группа под руководством Технологического института Нью-Джерси в США разработала систему искусственного интеллекта, которая может заранее распознавать чрезвычайно слабые предупреждающие сигналы до того, как области солнечной активности фактически появятся на видимой поверхности. Исследования показывают, что система может обнаруживать признаки формирования новых активных областей в среднем почти за девять часов, предоставляя новые возможности для прогнозирования солнечных бурь в будущем.
Прежде чем солнечные пятна затемнят видимую поверхность Солнца, создающая их магнитная активность на самом деле спокойно развивается внутри Солнца. Эти ранние изменения настолько слабы, что ученым долгое время было трудно их четко идентифицировать. Теперь модель искусственного интеллекта под названием «EarlyDetect» способна находить соответствующие подсказки в акустической активности Солнца и изменениях магнитного поля, обнаруживая предшественников новых солнечных активных областей в среднем за 9,24 часа до того, как они станут видимыми.
Это исследование было завершено исследовательской группой Технологического института Нью-Джерси, и результаты были опубликованы в «Журнале геофизических исследований: машинное обучение и вычисления» 14 августа. Модель была разработана Джонасом Тироной, студентом-исследователем Технологического института Нью-Джерси, в сотрудничестве с учеными-компьютерщиками и физиками Солнца из этой школы, а также исследователями из Принстонского университета и Исследовательского центра Эймса НАСА. В исследовании использовались данные Обсерватории солнечной динамики НАСА.
Тирона сказал, что наибольшая ценность этой работы заключается в том, что она доказывает, что машинное обучение может заранее предсказать, когда появятся солнечные активные области. Если надежные системы раннего предупреждения будут развиваться дальше, компании спутниковой связи и операторы электросетей смогут заранее принять меры для уменьшения потенциального ущерба, причиняемого солнечными бурями.
Активная область Солнца — это область с чрезвычайно сильной магнитной активностью, где обычно образуются солнечные пятна. Часто для того, чтобы активная область появилась и достигла поверхности Солнца, требуется несколько часов, а для полного формирования может потребоваться от одного до нескольких дней.
Прежде чем эти области достигнут поверхности Солнца, растущее магнитное поле оказывает слабое воздействие на звуковые волны, проходящие через недра Солнца. Ученые могут изучать эти вибрации с помощью «гелиосейсмологии», используя волны, распространяющиеся внутри Солнца, для анализа внутренних процессов, которые невозможно наблюдать напрямую.
EarlyDetect ищет аномальные закономерности до формирования активных областей, анализируя карты акустической мощности, генерируемые каждый час, и комбинируя их с данными измерений магнитного поля Солнца. Акустические данные поступают с гелиосейсмического и магнитного формирователя изображений обсерватории солнечной динамики. Прибор записывает акустические измерения каждые 45 секунд, что позволяет исследователям построить картину акустической активности внутри Солнца.
Александр Косовичев, заслуженный профессор физики Технологического института Нью-Джерси и соруководитель проекта, отметил, что основная трудность, с которой сталкиваются исследования, заключается в том, что активная область Солнца изначально формируется под видимой поверхностью, и ученые не могут напрямую наблюдать ее магнитную структуру. В результате исследователи могут искать лишь чрезвычайно небольшие изменения в магнитном поле Солнца и характере распространения звуковых волн. Этот процесс подобен распознаванию тонких изменений ритма в шумном оркестре.
EarlyDetect использует архитектуру Transformer. Этот тип технологии искусственного интеллекта также широко используется в больших языковых моделях, таких как ChatGPT. Однако EarlyDetect не анализирует язык, а ищет статистические закономерности в данных солнечных наблюдений, которые могут указывать на изменения солнечной активности.
В ходе исследования команда также обнаружила, что метод фильтрации, первоначально использовавшийся для удаления шума и помощи модели в идентификации важных солнечных сигналов, на самом деле снижает эффект прогнозирования.
Когда Тирона присоединилась к проекту, исследователи использовали технику фильтрации, надеясь выделить важные солнечные закономерности в коротких временных масштабах. Но результаты испытаний показывают, что фильтрация данных наблюдений ухудшает качество прогнозов модели. Косовичев рассказал, что исследовательская группа изначально думала, что фильтрация может изолировать полезные сигналы, но обнаружила, что она усредняет самые слабые, но самые ранние колебания.
Тирона сравнил этот процесс с технологией снижения шума. Обычно снижение шума позволяет устранить сильный шум и сделать общие тенденции более ясными, но исследователи обнаружили, что почти во всех случаях снижение шума имело негативный эффект. Отфильтрованные сигналы — это именно та важная информация, которая помогает модели определить, когда появится активная область.
Исследователи использовали данные Обсерватории солнечной динамики НАСА и гелиосейсмического и магнитного формирователя изображений для обучения EarlyDetect, а затем попросили модель проанализировать активные области солнечной энергии, которые не фигурировали в обучающих данных, чтобы проверить ее способность к обобщению.
Результаты показывают, что наиболее эффективная модель смогла идентифицировать соответствующие предвестники в среднем за 9,24 часа до того, как стали видны области солнечной активности, что превосходит стандартную модель Трансформатора и ранее использовавшиеся базовые методы.
Мэнцзя Сюй, доцент кафедры обработки данных Технологического института Нью-Джерси и руководитель проекта, сказал, что машинное обучение еще не получило широкого распространения в прогнозировании солнечной активности, но это исследование показывает, что передовые модели машинного обучения могут открыть новые направления для будущего прогнозирования космической погоды.
Это исследование также является одним из первых проектов, поддержанных Институтом искусственного интеллекта Грейс Хоппер при Технологическом институте Нью-Джерси. Институт был создан в 2025 году для содействия междисциплинарным исследованиям в области искусственного интеллекта. Проект также получил поддержку со стороны исследовательских программ НАСА по гелиофизике и космической погоде, в том числе от Центра научных исследований и инноваций и последствий полей и потоков внутри и снаружи Солнца.
Чтобы способствовать дальнейшему исследованию, команда также раскрыла соответствующие ресурсы данных. Они выпустили набор данных о формировании солнечной активной области или SolARED. Это база данных активных площадей Солнца, составленная на основе наблюдений Обсерватории солнечной динамики. Кроме того, исследователи также создали портал солнечной активной области, чтобы предоставить пользователям функции интерактивного просмотра данных наблюдений.
Сюй сказал, что это первый набор данных о формировании солнечной активной области, открытый для общественности, и он может предоставить общий ресурс для исследовательских сообществ в области машинного обучения и гелиофизики для разработки и тестирования новых методов прогнозирования.
Однако исследовательская группа подчеркнула, что EarlyDetect пока нельзя использовать в качестве системы оперативного прогнозирования в реальном времени. Модель была обучена на известных событиях формирования активных областей Солнца и все еще может выдавать ложные сигналы тревоги или давать прогнозы после того, как активные области уже возникли.
Более того, обнаружение формирования активной области Солнца не означает, что солнечная вспышка или корональный выброс массы неизбежны. Многие солнечные активные регионы в конечном итоге не производят крупномасштабных вспышек. Исследователям также необходимо дополнительно протестировать модель, используя большее количество и более широкий диапазон солнечных событий.
Тирона выразил надежду, что это исследование поможет большему количеству людей узнать о потенциале машинного обучения в области физики Солнца. Было бы очень интересно, если бы какая-то модель могла помочь предсказать явления космической погоды в будущем. Однако текущие исследования все еще далеки от этой цели, и этот результат является лишь захватывающей отправной точкой.
Комментарии