Pesquisadores do New Jersey Institute of Technology (NJIT) desenvolveram um novo sistema de inteligência artificial capaz de identificar sinais sutis da formação de regiões ativas no Sol antes que estas se tornem visíveis na superfície. O modelo, chamado EarlyDetect, conseguiu prever esse surgimento em média 9,24 horas mais cedo.
O estudo, publicado no Journal of Geophysical Research: Machine Learning and Computation, demonstra que alterações nas ondas acústicas e no campo magnético podem sinalizar o início dessas estruturas. Algumas regiões ativas podem potencialmente levar a erupções solares.
As regiões ativas são zonas de forte atividade magnética onde aparecem manchas solares. Sua formação leva tempo, começando em questão de horas e podendo se estender por um ou vários dias até atingir o estágio completo.
No entanto, antes que essas estruturas se tornem visíveis, elas deixam rastros. À medida que os campos magnéticos dentro do Sol progridem, eles causam pequenas alterações nas ondas acústicas que atravessam o corpo celeste. São esses sinais tênues que o EarlyDetect procura.
O modelo analisa mapas horários de potência acústica e dados de campo magnético coletados pelo Solar Dynamics Observatory (SDO) da NASA. A informação acústica provém do instrumento Helioseismic and Magnetic Imager (HMI), que registra observações a cada 45 segundos.
A principal tarefa é detectar mudanças extremamente pequenas no campo magnético e no padrão das ondas acústicas que se movem continuamente pelo Sol. Isso é comparável à busca por uma pequena alteração de ritmo em uma orquestra muito barulhenta.
Alexander Kosovichev, professor de física do NJIT e coautor principal do projeto, observou que o EarlyDetect utiliza a arquitetura Transformer, a mesma tecnologia usada em grandes modelos de linguagem. No entanto, em vez de processar palavras, a IA aprende a reconhecer padrões encontrados nas observações solares.
Durante este processo, surgiu uma surpresa: um filtro aplicado aos dados para facilitar a identificação de padrões piorou os resultados. Como explicou Kosovichev, inicialmente esperava-se que o filtro ajudasse a destacar padrões úteis de curto prazo, mas em vez disso, ele eliminou exatamente as flutuações fracas que forneciam o alerta mais precoce.
Após o treinamento com dados SDO/HMI, o EarlyDetect foi testado em regiões ativas que não haviam sido usadas anteriormente. A versão com melhor desempenho detectou os precursores em média 9,24 horas antes de essas estruturas se tornarem visíveis. Este resultado superou o desempenho do Transformer tradicional e da abordagem de referência anterior.
A equipe criou um conjunto de dados aberto, o Solar Active Region Emergence Dataset (SolARED), baseado em observações do SDO, bem como um portal Solar Active Region (SAR) para estudar esses dados.
Atualmente, o sistema ainda não está pronto para previsão em tempo real, pois ainda existem falsos positivos e casos em que o aviso chega tarde demais. Além disso, o modelo não garante que ocorrerá uma erupção; muitas regiões ativas nunca causam eventos grandes, como ejeções de massa coronal. Os pesquisadores planejam testar a abordagem em um maior número de fenômenos solares antes de transformá-la em uma ferramenta operacional para previsão do clima espacial.
