Задовго до того, як на поверхні Сонця з’являються темні сонячні плями, нова активна область, де можуть виникати потужні сонячні спалахи, починає демонструвати ледь помітні ознаки свого формування. Зараз дослідники стверджують, що нова модель штучного інтелекту здатна виявляти ці ранні сигнали та прогнозувати появу сонячних активних областей у середньому майже за дев’ять годин до цього.
Нова модель ШІ EarlyDetect
У дослідженні, опублікованому в журналі Journal of Geophysical Research: Machine Learning and Computation, група науковців під керівництвом Нью-Джерсійського технологічного інституту (NJIT) повідомляє, що модель штучного інтелекту під назвою EarlyDetect здатна виявляти попереджувальні сигнали появи активних областей в акустичній активності та магнітному полі Сонця. Дотепер вченим не вдавалося фіксувати такі сигнали. Про це розповідає сайт phys.org.
Студент-дослідник NJIT Йонас Тірона, провідний автор дослідження, розробив цей підхід у співпраці з комп’ютерними вченими та фізиками Сонця з NJIT, а також колегами з Принстонського університету й Дослідницького центру Еймса NASA. Для цього вони використали дані спостережень, отримані Обсерваторією сонячної динаміки (SDO) NASA.
Виявлення прихованих змін на Сонці
Активні області — зони з високою магнітною інтенсивністю, де утворюються сонячні плями — починають з’являтися протягом кількох годин, тоді як їх повне формування може тривати від одного до кількох днів.
Піднімаючись до поверхні Сонця, магнітні поля залишають слабкі сліди в акустичних хвилях, які науковці можуть виявити за допомогою геліосейсмології — науки, що вивчає сонячні коливання.
Для виявлення цих слідів модель EarlyDetect, розроблена командою, аналізує щогодинні карти акустичної потужності та вимірювання магнітного поля, отримані з Обсерваторії сонячної динаміки NASA. Акустичні карти складені на основі даних спостережень за звуковими хвилями, які кожні 45 секунд реєструє геліосейсмічний та магнітний прилад (HMI) на борту супутника SDO NASA.
«Головна складність полягає в тому, що активна область починає формуватися під видимою поверхнею Сонця, де ми не можемо безпосередньо спостерігати магнітну структуру, — зазначив Олександр Косовічев, заслужений професор фізики в NJIT та співкерівник проєкту. — Натомість ми шукаємо дуже незначні зміни в магнітному полі та у структурі акустичних хвиль, які безперервно проходять крізь Сонце. Це більше нагадує виявлення ледь помітної зміни ритму в дуже галасливому оркестрі».
Фільтр виявився шкідливим
Модель команди використовує архітектуру Transformer — той самий тип технології штучного інтелекту, що лежить в основі великих мовних моделей, таких як ChatGPT. У той час як ці системи вивчають закономірності в тексті, EarlyDetect вивчає закономірності в сонячних спостереженнях, щоб прогнозувати майбутні зміни сонячної активності.
Приєднавшись до проєкту минулого року, Тірона та команда виявили, що метод фільтрування, який вони застосовували, щоб допомогти моделі штучного інтелекту виявляти важливі закономірності в сонячних даних, насправді погіршував якість її прогнозів.
«Це нас здивувало найбільше, — сказав Косовічев. — Спочатку ми очікували, що це допоможе виділити корисні короткочасні закономірності. Натомість фільтр згладжував саме ті ледь помітні коливання, які давали найперше попередження. Науковці пояснюють, що це щось на зразок функції шумозаглушення. Зазвичай вона прибирає гучні шуми, щоб краще було видно загальну тенденцію. Проте сигнали, які фільтр прибирав, виявилися справді важливими для того, щоб допомогти моделі передбачити, коли з’явиться активна область».
Час попередження моделі та дані про появу активних областей на Сонці
Після навчання на даних спостережень, отриманих за допомогою інструмента HMI супутника SDO NASA, дослідники протестували модель EarlyDetect на активних областях Сонця, яких вона раніше не бачила.
Найефективніша версія моделі виявляла попереджувальні сигнали в середньому за 9,24 години до того, як активні області ставали видимими, продемонструвавши кращі результати, ніж стандартна модель Transformer та попередній еталонний підхід.
Щоб допомогти іншим дослідникам розвивати ці напрацювання, команда також оприлюднила набір даних про появу активних сонячних областей (Solar Active Region Emergence Dataset, SolARED) — загальнодоступну збірку спостережень за активними сонячними областями, зібраних за допомогою супутника SDO, а також портал Solar Active Region (SAR) — інтерактивну вебплатформу для вивчення цих даних. Це перший загальнодоступний набір даних про появу активних областей на Сонці. Він є загальним ресурсом як для спільноти фахівців із машинного навчання, так і для геліофізиків, що дозволяє розробляти та перевіряти нові методи прогнозування.
Необхідність тестування моделі ШІ
Хоча система здається перспективною, Тірона зазначив, що EarlyDetect ще не готова до прогнозування в режимі реального часу. Модель була навчена на відомих подіях спалаху активності й досі час від часу видає помилкові сигнали тривоги або запізнілі прогнози.
Попередження про спалах активності також не є прогнозом того, що відбудеться спалах або корональний викид маси — багато активних областей ніколи не призводять до значних спалахів. Команда зазначає, що їй ще потрібно перевірити цей підхід на прикладі набагато більшої кількості сонячних подій.
«Я сподіваюся, що цей проєкт допоможе ширше усвідомити, як машинне навчання може сприяти розвитку геліофізики, — сказав Тірона. — Було б справді круто, якби така модель колись допомогла прогнозувати сонячні погодні явища. Ми ще не дійшли до цього, але це захопливий крок».
