Исследователи из New Jersey Institute of Technology (NJIT) разработали новую систему искусственного интеллекта, которая способна выявлять едва заметные признаки формирования активных областей на Солнце еще до того, как они станут видны на поверхности. Модель под названием EarlyDetect смогла предсказать это появление в среднем на 9,24 часа раньше.
Исследование, опубликованное в журнале Journal of Geophysical Research: Machine Learning and Computation, демонстрирует, что изменения в акустических волнах и магнитном поле могут сигнализировать о зарождении этих структур. Некоторые активные области потенциально могут привести к солнечным вспышкам.
Активные области представляют собой зоны сильной магнитной активности, где возникают солнечные пятна. Их формирование занимает время, начинаясь в течение нескольких часов и потенциально растягиваясь на один или несколько дней до достижения полной стадии.
Однако до того, как эти структуры станут видимыми, они оставляют следы. По мере продвижения магнитных полей внутри Солнца, они вызывают незначительные изменения в акустических волнах, проходящих через небесное тело. Именно эти тонкие сигналы и ищет EarlyDetect.
Модель анализирует почасовые карты акустической мощности и данные магнитного поля, собранные с помощью Solar Dynamics Observatory (SDO) от NASA. Акустическая информация поступает от прибора Helioseismic and Magnetic Imager (HMI), который фиксирует наблюдения каждые 45 секунд.
Основная задача заключается в обнаружении крайне малых изменений в магнитном поле и паттерне акустических волн, которые непрерывно движутся по Солнцу. Это сравнимо с поиском небольшого изменения ритма в очень шумном оркестре.
Александр Косовичев, профессор физики NJIT и главный соисследователь проекта, отметил, что EarlyDetect использует архитектуру Transformer, ту же технологию, что применяется в больших языковых моделях. Однако вместо обработки слов, ИИ обучается распознавать закономерности, найденные в наблюдениях за Солнцем.
В ходе этого процесса возникла неожиданность: фильтр, применявшийся к данным для облегчения идентификации закономерностей, ухудшал результаты. Как объяснил Косовичев, первоначально ожидалось, что фильтр поможет выделить полезные краткосрочные паттерны, но вместо этого он устранял именно те слабые флуктуации, которые обеспечивали самое раннее предупреждение.
После обучения на данных SDO/HMI, EarlyDetect был протестирован на активных областях, которые ранее не использовались. Версия с наилучшими показателями обнаружила предвестники на 9,24 часа раньше, в среднем, чем эти структуры становились видимыми. Этот результат превзошел показатели традиционного Transformer и предыдущего эталонного подхода.
Команда создала открытый набор данных Solar Active Region Emergence Dataset (SolARED) на основе наблюдений SDO, а также портал Solar Active Region (SAR) для изучения этих данных.
На данный момент система еще не готова для прогнозирования в режиме реального времени, поскольку все еще существуют ложные срабатывания и случаи, когда оповещение приходит слишком поздно. Кроме того, модель не гарантирует, что произойдет вспышка; многие активные области никогда не вызывают крупных событий, таких как выбросы корональной массы. Исследователи планируют проверить подход на большем количестве солнечных явлений перед тем, как превратить его в операционный инструмент для прогнозирования космической погоды.



