Algoritmi kuulee Auringon aktiivialueet tuntia ennen

Voiko algoritmi kuulla Auringon ennen kuin silmämme pystyvät siihen? New Jerseyn teknillisessä instituutissa (NJIT) tutkijat ovat kouluttaneet sellaisen - tunnistamaan heikot värähtelyt ja magneettiset kuiskaukset, jotka saattavat ennakoida uuden aurinkoaktiivialueen syntyä tunteja ennen kuin tumma auringonpilkku tulee näkyviin.

Työkalua, nimeltään EarlyDetect, käytetään kahdenlaisessa aurinkodata-aineistossa: hienovaraiset muutokset akustisessa voimassa - Auringon sisäiset värähtelyt, joita kuvaa NASAn helioseisminen ja magneettikuvaaja (Helioseismic and Magnetic Imager) - ja herkästi vaihtuvat magneettikentän muutokset näkyvällä pinnalla. Tutkijat syöttivät mallille vuosien Solar Dynamics Observatory -havaintoja, ja tulokset yllättivät heidät. Keskimäärin järjestelmä huomasi nousevien aktiivialueiden merkkejä noin 9,24 tuntia ennen kuin ne ilmenivät aurinkolevyllä.

Tällainen etumatka ei tee samanlaista otsikkoa kuin välitön varoitusjärjestelmä, mutta sillä on merkitystä. Satelliittien operaattorit, sähköverkkojen ylläpitäjät ja tehtäväsuunnittelijat ovat erityisen alttiita äkilliselle avaruussäällä; jopa muutama tunti valmistautumisaikaa voi muuttaa seurauksia. Silti nousevan alueen havaitseminen ei ole sama asia kuin purkauksen ennustaminen. Monet aktiivialueet eivät koskaan tuota suuria purkauksia tai koronamassapurkauksia. Tämä on varhainen hälytys, ei takuu.

EarlyDetect perustuu Transformer-tyyppiseen neuroverkkoon - arkkitehtuuri muistuttaa kielimalleissa käytettyjä verkkoja, mutta sitä on opetettu tunnistamaan aurinkosignaalien aika- ja tila-alueiden kuvioita kieliopin sijaan. Tiimi odotti, että melun huolellinen esisuodatus auttaisi mallia. Näin ei käynyt. Tutkijoiden oletuksena ollut melun poisto pyyhki pois heikot vaihtelut, jotka kantoivat varhaisimpia varoituksia. Suodatinta, joka tasoitti dataa, käytettäessä malli muuttui vähemmän havaintokykyiseksi. Lyhyesti: kuiskaus oli tärkeä.

Kehitystyötä johtoivat NJIT:n kandidaattiopiskelijat ja tiedekunta yhteistyössä Princetonin yliopiston ja NASAn Amesin tutkimuskeskuksen tutkijoiden kanssa. Projektin johtava opiskelija Jonas Tirona kuvailee työtä harjoituksena kuunnella Auringosta tarkasti - ja eri tavalla. Alexander Kosovichev, hankkeen toinen johtaja, vertasi tehtävää rytmin muutoksen havaitsemiseen täyteen orkesteriin: signaali on pieni ja tausta on äänekäs.

Tutkijat painottivat myös avoimuutta. He julkaisivat Solar Active Region Emergence Datasetin (SolARED), ensimmäisen julkisen kokoelman, joka keskittyy esille tuleviin tapahtumiin, ja perustivat Solar Active Region (SAR) Portalin, jotta muut voivat tutkia samoja havaintoja. Jakamalla dataa ryhmä toivoo nopeuttavansa uusia ennustusstrategioita sekä heliotutkijoilta että koneoppimisryhmiltä.

Suorituskyvyltään EarlyDetect päihitti perusmenetelmät kontrolloiduissa testeissä, joissa käytettiin näkymättömiä tapahtumia - mutta se ei ole valmis operatiiviseen reaaliaikaiseen ennustamiseen. Mallia oli opetettu tunnetuilla esiinastumistapauksilla, ja se tuottaa yhä väärin positiivisia hälytyksiä ja myöhäisiä varoituksia. Se ei myöskään vielä osaa arvioida, syntyykö nousevasta alueesta suuri purkaus tai koronamassapurkaus. Tarvitaan lisää validoimista ja paljon enemmän tapahtumia ennen kuin tästä tulee rutiininomainen avaruussään työkalu.

Työtä rahoittivat NJIT:n Grace Hopper AI Research Institute ja NASA:n heliotieteen apurahat, mukaan lukien rahoitus, joka liittyy Auringon sisäisten kenttien ja virtauksien tutkimuksiin. Tällä hetkellä artikkeli ja jaetut aineistot edustavat uutta etappia: koneoppiminen voi paljastaa ennakkoilmiöitä, jotka ihmisen silmä ja perinteiset menetelmät usein ohittavat.

Kuuntele tarpeeksi tarkasti, niin Aurinko alkaa puhua kielellä, jota vasta alamme ymmärtää - ja pelkkä se voi muuttaa tapaamme valmistautua sen seuraavaan purkaukseen.