چرخش شرکت‌های آمریکایی؛ بازگشت نیروی انسانی در عصر هوش مصنوعی

به گزارش گروه دانشگاه خبرگزاری دانشجو؛ از ستاد ویژه توسعه فناوری نانو، پژوهشگران آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده آمریکا (Argonne National Laboratory) با توسعه یک ابزار جدید مبتنی بر یادگیری ماشین، گام مهمی در جهت تغییر شیوه انجام آزمایش‌های مواد در مقیاس نانومتری برداشته‌اند.

این ابزار که «دونات» (DONUT) نام دارد، می‌تواند داده‌های پیچیده حاصل از آزمایش‌های پراش پرتو ایکس را تقریباً در لحظه تحلیل کند؛ قابلیتی که به دانشمندان اجازه می‌دهد به‌جای هفته‌ها یا ماه‌ها انتظار برای دریافت نتایج، در همان زمان انجام آزمایش درباره ادامه مسیر پژوهش تصمیم بگیرند.

این فناوری در منبع فوتونی پیشرفته (Advanced Photon Source) یا APS، یکی از تأسیسات کاربری دفتر علوم وزارت انرژی آمریکا، توسعه و آزمایش شده است. «دونات» با ارائه نتایج در زمان واقعی، نه‌تنها سرعت پژوهش‌های علمی را افزایش می‌دهد، بلکه امکان اصلاح و تنظیم آزمایش‌ها در حین اجرا را نیز فراهم می‌کند.

به این ترتیب، پژوهشگر می‌تواند متوجه شود آزمایش به نتیجه مطلوب نزدیک شده یا نیاز دارد مسیر دیگری را دنبال کند؛ اتفاقی که در روش‌های سنتی معمولاً پس از پایان آزمایش و طی فرایند طولانی تحلیل داده مشخص می‌شود.

نام DONUT مخفف عبارت «Diffraction with Optics for Nanobeam by Unsupervised Training» است و به یک شبکه عصبی آگاه از فیزیک اشاره دارد. ویژگی مهم این سامانه آن است که صرفاً بر اساس الگو‌های آماری داده‌ها آموزش نمی‌بیند، بلکه قوانین فیزیکی حاکم بر برهم‌کنش پرتو‌های ایکس متمرکز با مواد را نیز در فرایند تحلیل در نظر می‌گیرد.

این فناوری با استفاده از داده‌های خط پرتو «نانومسبار پرتو ایکس سخت» (Hard X-ray Nanoprobe) که به‌صورت مشترک در اختیار منبع فوتونی پیشرفته و مرکز مواد نانومقیاس (Center for Nanoscale Materials) قرار دارد، توسعه یافته است. مرکز مواد نانومقیاس نیز یکی از تأسیسات کاربری دفتر علوم وزارت انرژی آمریکا در آزمایشگاه ملی آرگون است.

«دونات» برای تفسیر سریع تصاویر پیچیده‌ای طراحی شده است که در روش «میکروسکوپی نانودیفراکشن پرتو ایکس پیمایشی» (Scanning X-ray Nanodiffraction Microscopy یا SXDM) تولید می‌شوند. این روش با استفاده از یک پرتو بسیار متمرکز پرتو ایکس، سطح نمونه را پیمایش می‌کند و اطلاعات ارزشمندی درباره ساختار بلوری مواد در اختیار پژوهشگران قرار می‌دهد.

چنین اطلاعاتی برای درک رفتار موادی که در فناوری‌هایی مانند باتری‌ها، کاتالیست‌ها، تجهیزات الکترونیکی پیشرفته و ادوات مغناطیسی مورد استفاده قرار می‌گیرند، اهمیت زیادی دارد.

با وجود قدرت بالای SXDM، داده‌های تولیدشده در این روش بسیار پیچیده‌اند و چندین لایه و بُعد اطلاعاتی را در خود جای می‌دهند. همین مسئله تحلیل و تفسیر آنها را به کاری زمان‌بر و دشوار تبدیل کرده است.

تا پیش از این، پژوهشگران در بسیاری از موارد مجبور بودند الگو‌های پراش پرتو ایکس اندازه‌گیری‌شده را به‌صورت دستی با الگو‌های شبیه‌سازی‌شده مقایسه کنند تا بتوانند ساختار و ویژگی‌های ماده را تشخیص دهند. این فرایند علاوه بر زمان‌بر بودن، احتمال بروز خطای انسانی را نیز افزایش می‌داد.

«دونات» با ترکیب هوش مصنوعی و یک مدل فیزیکی داخلی، رویکرد متفاوتی را ارائه می‌کند. این سامانه می‌تواند مستقیماً از داده‌های تجربی جمع‌آوری‌شده یاد بگیرد و برای آموزش به مجموعه‌داده‌هایی نیاز نداشته باشد که از پیش توسط متخصصان برچسب‌گذاری شده‌اند. در روش‌های متداول، متخصص باید هر الگوی پرتو ایکس را با پاسخ درست تطبیق دهد یا داده‌های مناسب را با شبیه‌سازی تولید کند تا الگوریتم بتواند از آنها بیاموزد. حذف یا کاهش این مرحله، مزیت مهمی برای پژوهشگرانی محسوب می‌شود که در تأسیسات تحقیقاتی پرتراکم مانند APS فعالیت می‌کنند.

آیلین لو، دانشمند محاسباتی دستیار در آزمایشگاه آرگون و دانشگاه کرنل، درباره این فناوری می‌گوید «دونات» به دانشمندان اجازه می‌دهد هم‌زمان با پیشرفت آزمایش، آنچه را درون ماده اتفاق می‌افتد مشاهده کنند. به گفته او، در گذشته ممکن بود پژوهشگر هفته‌ها منتظر بماند تا مشخص شود آزمایش موفق بوده است یا خیر، اما اکنون می‌توان پاسخ را تقریباً در همان لحظه دریافت کرد. نتیجه چنین تغییری، آزمایش‌های پربازده‌تر و فرصت‌های بیشتر برای کشف پدیده‌های جدید خواهد بود.

متئو چروکارا، دانشمند محاسباتی و سرپرست گروه در آزمایشگاه آرگون نیز بر انعطاف‌پذیری این سامانه تأکید کرده است. به گفته او، پژوهشگران می‌توانند «دونات» را با داده‌هایی که در ابتدای آزمایش جمع‌آوری می‌کنند آموزش دهند و حتی در طول آزمایش مشخص کنند که سامانه باید چه کمیتی را پیش‌بینی کند. به بیان ساده‌تر، هوش مصنوعی می‌تواند خود را با پرسش علمی جدیدی که پژوهشگر در جریان آزمایش مطرح می‌کند، تطبیق دهد.

سرعت و دقت «دونات» همچنین زمینه را برای شکل‌گیری نسل جدیدی از آزمایش‌های موسوم به «پژوهش خودران» یا «آزمایش‌های خودران» فراهم می‌کند. در چنین رویکردی، هوش مصنوعی می‌تواند بر اساس نتایج تازه به‌دست‌آمده، مرحله بعدی آزمایش را پیشنهاد یا حتی به‌صورت خودکار انتخاب کند.

این قابلیت به‌ویژه برای آزمایش‌هایی اهمیت دارد که در شرایط واقعی انجام می‌شوند و ویژگی‌های ماده در طول زمان تغییر می‌کند. در چنین شرایطی، تصمیم‌گیری سریع می‌تواند تفاوت میان یک آزمایش موفق و ساعت‌ها جمع‌آوری داده کم‌فایده باشد؛ بشر بالاخره پذیرفته است که لازم نیست همیشه بعد از تمام شدن کار بفهمد چه اشتباهی کرده است.

این فناوری همچنین می‌تواند ورود کاربران جدید به تأسیسات تحقیقاتی APS و مرکز مواد نانومقیاس را آسان‌تر کند. دانشجویان تحصیلات تکمیلی و پژوهشگران مهمان دیگر الزاماً برای شروع کار به مجموعه‌های بزرگی از داده‌های برچسب‌گذاری‌شده یا تخصص عمیق در تفسیر همه انواع داده‌های تولیدشده نیاز نخواهند داشت. در روش سنتی، تهیه چنین داده‌هایی مستلزم زمان و دانش تخصصی قابل‌توجهی است؛ زیرا متخصصان باید هر مجموعه داده را با دقت تحلیل یا شبیه‌سازی کرده و پاسخ صحیح را برای آن تعیین کنند.

اهمیت این قابلیت با ارتقای منبع فوتونی پیشرفته بیشتر می‌شود. نسخه ارتقایافته APS قادر است پرتو‌های ایکس پرشدت‌تری تولید کند و داده‌ها را با سرعت بسیار بالاتری نسبت به گذشته جمع‌آوری کند. بنابراین، سرعت تحلیل داده نیز باید هم‌پای سرعت تولید آن افزایش یابد. «دونات» می‌تواند این شکاف را کاهش دهد و به پژوهشگران اجازه دهد هم‌زمان با تولید داده، آنها را تحلیل کرده و درباره ادامه آزمایش تصمیم بگیرند.

پژوهشگران در گام بعدی قصد دارند دامنه استفاده از «دونات» را از تحلیل بلادرنگ داده‌ها به سمت خودکارسازی آزمایش‌ها گسترش دهند. یکی از مسیر‌های مورد بررسی، توسعه نسخه‌های جدید این فناوری برای میکروسکوپی خودران است؛ رویکردی که در آن ابزار‌های هوش مصنوعی می‌توانند بخشی از مراحل آزمایش را بدون نیاز به دخالت دائمی انسان هدایت کنند.

گروه پژوهشی همچنین در حال بررسی این موضوع است که آیا رویکرد «آگاه از فیزیک» به‌کاررفته در «دونات» می‌تواند برای سایر روش‌های تصویربرداری پیشرفته نیز مورد استفاده قرار گیرد یا خیر؛ روش‌هایی که آنها نیز حجم عظیمی از داده‌های پیچیده تولید می‌کنند و تحلیل آنها به ابزار‌های محاسباتی پیشرفته نیاز دارد.

پژوهشگران معتقدند چارچوب آموزشی مبتنی بر فیزیک این سامانه می‌تواند در طرح‌های بزرگ‌تر وزارت انرژی آمریکا، از جمله «ماموریت جنسیس» (Genesis Mission)، نیز نقش داشته باشد. این طرح ملی با هدف افزایش بهره‌وری علمی و سرعت‌بخشیدن به نوآوری از طریق استفاده گسترده از هوش مصنوعی در زیرساخت‌های علمی نسل آینده دنبال می‌شود.

«دونات» می‌تواند یکی از پایه‌های پروژه‌های مرتبط با منابع نور و نوترون در این طرح باشد و به پژوهشگران رشته‌های مختلف کمک کند پرسش‌های علمی جدیدی را با سرعت بیشتری بررسی کنند.

نتایج این پژوهش در نشریه «npj Computational Materials» منتشر شده است. تائو ژو، مینگ دو و مارتین هولت از آزمایشگاه ملی آرگون و آندری زینگر از دانشگاه کرنل نیز در انجام این مطالعه مشارکت داشته‌اند. این پژوهش با حمایت دفتر علوم وزارت انرژی آمریکا، برنامه‌های «پژوهش پیشرفته محاسبات علمی» و «علوم پایه انرژی» و همچنین دفتر توسعه نیروی انسانی برای معلمان و دانشمندان این وزارتخانه انجام شده است.

در این میان، نام «دونات» نیز عمداً با حال‌وهوایی غیررسمی انتخاب شده است و پژوهشگران در پایان گزارش خود با شوخی نوشته‌اند که در جریان انجام این پژوهش هیچ دوناتی آسیب ندیده است؛ هرچند نتایج به‌دست‌آمده احتمالاً اشتهای دانشمندان برای کشف‌های تازه را حسابی بیشتر خواهد کرد.

به گزارش گروه دانشگاه خبرگزاری دانشجو، درمراسم گشایش این نمایشگاه که ۲۵ مردادماه و با استقبال کم‌نظیر استادان و دانشجویان و شرکت‌های سرمایه‌گذار، در دانشکده مهندسی برق و کامپیوتر دانشکدگان فنی دانشگاه تهران برگزار شد، منوچهر مرادی سبزوار، معاون پژوهش و فناوری دانشگاه تهران، با ارائه گزارشی از فعالیت‌های مرکز انتقال تکنولوژی دانشگاه گفت: «محصولات تولیدشده در این مرکز نشان می‌دهد سرمایه‌گذاری هدفمند در زیست‌بوم نوآوری دانشگاه، بازدهی ملموس و ارزش‌آفرینی اقتصادی به همراه دارد.»

وی با اشاره به عملکرد شرکت‌های دانش‌بنیان دانشگاهی تأکید کرد: «چنانچه از دانشجویان و اعضای هیأت علمی حمایت مناسب صورت گیرد و زمینه ماندگاری نخبگان در کشور فراهم شود، می‌توان به نتایج قابل اتکایی در تولید محصولات فناورانه دست یافت.»

مرادی سبزوار همچنین با بیان تجربه‌های موفق از Reverse Pitch در دانشگاه تهران تصریح کرد: «توجه به این رویکرد که در آن نیاز‌های واقعی صنعت به جامعه دانشگاهی عرضه می‌شود، می‌تواند به تولید محصولات منطبق با نیاز بازار منجر شود و امیدواریم این نگاه در کشور و دانشگاه بیش از پیش تقویت شود.»

 محمودرضا هاشمی، مدیر اجرایی طرح هاتف در دانشگاه تهران و دبیر علمی این نمایشگاه نیز، با اشاره به برگزاری این نمایشگاه گفت: «این نمایشگاه در راستای فرایند اجرای طرح هاتف است که در چارچوب تفاهم‌نامه‌ای میان معاونت علمی، فناوری و اقتصاد دانش‌بنیان ریاست جمهوری و معاونت پژوهش و فناوری دانشگاه تهران منعقد شده است.»

هاشمی افزود: «پس از امضای این تفاهم‌نامه دراسفندماه ۱۴۰۳، فراخوانی در اردیبهشت‌ماه ۱۴۰۴، در مجموع ۱۷۴ طرح و پیشنهاد از ۵۰ دانشکده مختلف دانشگاه تهران دریافت شد که پس از طی فرایند داوری دقیق، ۲۰ طرح به عنوان طرح‌های برگزیده انتخاب و وارد مرحله حمایتی شدند.»

وی طرح هاتف را گامی مؤثر در تکمیل زنجیره ارزش پژوهش و فناوری توصیف کرد و اظهار داشت: «تمامی طرح‌های منتخب، برونداد ظرفیت علمی دانشگاه تهران هستند و در هر یک از آنها، اعضای هیأت علمی به همراه تیم‌هایی از دانشجویان و دانش‌آموختگان مشارکت فعال داشته‌اند.»

وی هدف اصلی این برنامه را تبدیل طرح‌های پژوهشی به شرکت‌های دانش‌بنیان از طریق تزریق هدفمند منابع مالی، ارائه خدمات توانمندسازی و ایجاد زیرساخت‌های کسب‌وکاری عنوان کرد و افزود: «این رویکرد به تجاری‌سازی ایده‌های دانشگاهی و به‌کارگیری آنها در حل مسائل کشور کمک مؤثری خواهد کرد.»

هاشمی با اشاره به مشارکت گسترده واحد‌های دانشگاه تهران در ارسال طرح‌های فناورانه به این نمایشگاه، گفت: «طرح‌های دریافتی از دانشکدگان و دانشکده‌های مختلف دانشگاه تهران ارائه شده است که این تنوع، نشان‌دهنده ظرفیت بالای هوش مصنوعی در دانشگاه تهران در حوزه‌های گوناگون علمی است.»

وی هدف از برگزاری این نمایشگاه را فراهم‌سازی بستر تعامل میان هسته‌های فناور با مشتریان، بهره‌برداران و شرکت‌های سرمایه‌گذاری خطرپذیر (VC) برشمرد تا زمینه تبدیل این هسته‌ها به شرکت‌های فناور و رشد یافته فراهم شود.

 اسفندیار اختیاری، معاون سیاستگذاری و توسعه و دبیر شورای راهبری فناوری‌ها و تولیدات دانش‌بنیان معاونت علمی ریاست جمهوری نیز ضمن بازدید از بخش‌های مختلف این نمایشگاه، با تبیین جایگاه راهبردی فناوری در اقتدار ملی گفت: «تجربه‌های اخیر نشان داد که فناوری صرفاً یک عامل توسعه‌ای نیست؛ بلکه مؤلفه‌ای تعیین‌کننده در ایجاد اقتدار و امنیت ملی است. هر جا از توانمندی فناورانه بالاتری برخوردار بوده‌ایم، نقطه قوت ما بوده و هر جا کمتر به آن پرداخته‌ایم، آسیب‌پذیر ظاهر شده‌ایم.»

وی با تأکید بر اینکه سرآغاز این توانمندی‌ها دانشگاه است، خاطرنشان کرد: «دولت وظیفه حمایت از علم و فناوری را بر عهده دارد، اما توسعه فناوری صرفاً از مسیر دانشگاه‌ها و جامعه دانشگاهی محقق می‌شود. دانشگاه علاوه بر رسالت ذاتی خود در تولید علم، باید دغدغه تبدیل دانش به قدرت و حل مسائل جامعه را نیز داشته باشد؛ این دقیقاً همان مأموریتی است که طرح هاتف دنبال می‌کند.»

اختیاری با تاکید بر اهمیت تداوم شرکت‌های نوپای دانشگاهی افزود: «پایداری و تداوم شرکت‌هایی که توسط اساتید و دانشجویان تأسیس می‌شوند، برای ما اولویت دارد و معاونت علمی و فناوری با تمام ظرفیت خود از این مسیر حمایت می‌کند.»

وی همچنین به ظرفیت قانون جهش تولید دانش‌بنیان اشاره کرد و گفت: «ماده یک این قانون بر اقلام راهبردی و فناوری‌های اقتدارآفرین تأکید دارد و طرح‌هایی که در این چارچوب قرار گیرند، به‌صورت خودکار از کلیه حمایت‌های قانونی و مزایای معاونت علمی بهره‌مند خواهند شد.»

گفتنی است محمدحسین امید، رئیس دانشگاه تهران نیز، با حضور در این نمایشگاه از طرح‌های ارائه شده در نمایشگاه بازدید و از نزدیک با استادان و دانشجویان درباره این طرح‌ها گفت‌و‌گو کرد.

شهرآرانیوز؛ پژوهشگران ناسا یک مدل هوش مصنوعی به نام COFFIES توسعه داده‌اند که می‌تواند با بررسی نشانه‌های بسیار ظریف در زیر سطح خورشید، محل شکل‌گیری مناطق فعال خورشیدی را پیش از آشکارشدن آنها روی سطح این ستاره پیش‌بینی کند. این مناطق فعال می‌توانند منشأ شراره‌های خورشیدی و فوران‌های عظیم ذرات موسوم به خروج جرم از تاج خورشیدی (CME) باشند.

این دستاورد اهمیت زیادی برای پیش‌بینی آب‌وهوای فضایی دارد؛ زیرا فوران‌های شدید خورشیدی می‌توانند ماهواره‌ها، ارتباطات رادیویی، سامانه‌های موقعیت‌یابی و حتی شبکه‌های برق روی زمین را تحت تأثیر قرار دهند. هوش مصنوعی چگونه فعالیت پنهان خورشید را پیدا می‌کند؟

مشکل اصلی دانشمندان این است که منطقه فعال خورشیدی در ابتدا در اعماق خورشید شکل می‌گیرد و تا زمانی که به سطح نرسیده باشد، مستقیماً قابل مشاهده نیست.

با این حال، حرکت میدان‌های مغناطیسی و پلاسمای درون خورشید اثرات بسیار ظریفی بر امواج صوتی و جریان‌های درونی خورشید ایجاد می‌کند. مدل COFFIES با استفاده از داده‌های مربوط به میدان‌های مغناطیسی و جریان‌های داخل خورشید تلاش می‌کند این نشانه‌های ضعیف را شناسایی کند.

در نتیجه، به جای اینکه دانشمندان منتظر ظاهرشدن لکه خورشیدی روی سطح بمانند، هوش مصنوعی می‌تواند نشانه‌های اولیه شکل‌گیری آن را از قبل تشخیص دهد. ۱۲ ساعت زمان اضافه برای پیش‌بینی طوفان خورشیدی

بر اساس نتایج اعلام‌شده توسط ناسا، COFFIES قادر است برخی مناطق فعال خورشیدی را تا حدود ۱۲ ساعت پیش از ظاهرشدن آنها روی سطح خورشید شناسایی کند.

این ۱۲ ساعت ممکن است در مقیاس زمانی فعالیت خورشید بسیار کوتاه به نظر برسد، اما برای سامانه‌های زمینی زمان ارزشمندی است.

اگر دانشمندان بتوانند احتمال شکل‌گیری یک منطقه فعال و سپس وقوع یک فوران را زودتر تشخیص دهند، اپراتورهای ماهواره‌ها و شبکه‌های ارتباطی می‌توانند اقدامات احتیاطی بیشتری انجام دهند.

البته باید یک نکته مهم را در نظر گرفت: این مدل مستقیماً وقوع یک طوفان خورشیدی که به زمین برخورد خواهد کرد را ۱۲ ساعت زودتر پیش‌بینی نمی‌کند. آنچه مدل در این مرحله پیش‌بینی می‌کند، شکل‌گیری مناطق فعال خورشیدی است؛ این مناطق ممکن است بعداً محل وقوع شراره‌های خورشیدی یا فوران‌های دیگر شوند. چرا طوفان‌های خورشیدی خطرناک هستند؟

خورشید دائماً ذرات و انرژی به فضا منتشر می‌کند، اما گاهی فعالیت آن به‌طور ناگهانی افزایش می‌یابد. یکی از مهم‌ترین رویدادها شراره خورشیدی است که می‌تواند تابش شدیدی تولید کند.

نوع دیگری از رویدادهای قدرتمند، خروج جرم از تاج خورشیدی یا CME است. در این پدیده حجم عظیمی از پلاسمای مغناطیسی با سرعت زیاد از خورشید به فضا پرتاب می‌شود.

اگر چنین ابری به سمت زمین حرکت کند، برخورد آن با میدان مغناطیسی زمین می‌تواند یک طوفان ژئومغناطیسی ایجاد کند.

طوفان‌های شدید ممکن است باعث اختلال در ارتباطات رادیویی، کاهش دقت GPS، ایجاد مشکل برای ماهواره‌ها و افزایش جریان‌های القایی در شبکه‌های برق شوند. همچنین می‌توانند باعث شکل‌گیری شفق‌های قطبی در مناطقی بسیار دورتر از قطب‌ها شوند. ناسا از داده‌های تلسکوپ خورشیدی برای آموزش AI استفاده کرده است

یکی از منابع مهم داده برای این پژوهش، مشاهدات رصدخانه دینامیک خورشیدی ناسا (SDO) است.

SDO سال‌هاست از خورشید تصویربرداری می‌کند و اطلاعاتی درباره میدان‌های مغناطیسی، حرکت مواد و فعالیت‌های سطحی و زیرسطحی خورشید در اختیار دانشمندان قرار می‌دهد.

مدل‌های یادگیری ماشین می‌توانند حجم بسیار بزرگی از این داده‌ها را بررسی کنند و الگوهایی را پیدا کنند که تشخیص آنها با روش‌های سنتی دشوار است. ناسا نیز طی سال‌های اخیر استفاده از یادگیری ماشین را برای بهبود پیش‌بینی آب‌وهوای فضایی دنبال کرده است.

در ادامه حتما بخوانید فضانوردان آرتمیس ۲ در «رد راکس»؛ جایی شبیه ماه و مریخ از خاطرات سفر به دور ماه گفتند در ادامه حتما بخوانید عکس روز ناسا | تاج طلایی‌رنگ خورشید یک مدل دیگر هم نشانه‌های خورشیدی را زودتر تشخیص می‌دهد

جالب اینکه تقریباً هم‌زمان، گروهی از پژوهشگران مؤسسه فناوری نیوجرسی (NJIT) نیز مدل هوش مصنوعی دیگری به نام EarlyDetect معرفی کرده‌اند.

این مدل با استفاده از داده‌های SDO توانسته است نشانه‌های شکل‌گیری مناطق فعال خورشیدی را به‌طور متوسط حدود ۹.۲۴ ساعت پیش از قابل مشاهده شدن آنها روی سطح خورشید شناسایی کند.

EarlyDetect به‌ویژه به تغییرات بسیار ظریف در امواج صوتی خورشید و میدان‌های مغناطیسی توجه می‌کند. این امواج مانند نوعی «ردپا» از فعالیت‌های درونی خورشید عمل می‌کنند. چرا پیش‌بینی زودهنگام اهمیت دارد؟

فناوری‌های مدرن به‌شدت به شرایط فضایی وابسته شده‌اند. هزاران ماهواره برای ارتباطات، اینترنت، موقعیت‌یابی، هواشناسی و تصویربرداری از زمین در مدار فعالیت می‌کنند.

یک طوفان خورشیدی شدید می‌تواند برای برخی از این سامانه‌ها مشکل ایجاد کند. بنابراین حتی افزایش چند ساعت در زمان هشدار می‌تواند فرصت بیشتری برای تصمیم‌گیری ایجاد کند.

برای مثال، در صورت دریافت هشدار مناسب، اپراتورها می‌توانند برخی فعالیت‌های حساس ماهواره‌ها را محدود کنند، وضعیت سامانه‌های ارتباطی را بررسی کنند یا برای اختلال احتمالی در ارتباطات و GPS آماده شوند. آیا هوش مصنوعی می‌تواند وقوع طوفان خورشیدی را دقیق پیش‌بینی کند؟

مدل‌های جدید یک گام مهم در جهت پیش‌بینی زودهنگام فعالیت خورشید هستند، اما نمی‌توانند با قطعیت بگویند یک منطقه فعال دقیقاً چه زمانی یک شراره قدرتمند یا CME ایجاد خواهد کرد و آیا این رویداد مستقیماً زمین را هدف خواهد گرفت یا خیر.

به همین دلیل، پژوهشگران همچنان در حال ترکیب مدل‌های هوش مصنوعی با داده‌های ماهواره‌ای، مدل‌های فیزیکی خورشید و سامانه‌های پیش‌بینی آب‌وهوای فضایی هستند.

در همین راستا، مأموریت PUNCH ناسا نیز در آزمایش اولیه خود توانسته است زمان رسیدن یک فوران خورشیدی به نزدیکی زمین را با خطایی حدود ۳۰ دقیقه پیش‌بینی کند؛ رویکردی که می‌تواند در کنار مدل‌های پیش‌بینی‌کننده فعالیت‌های خورشیدی، سامانه‌های هشدار آینده را قدرتمندتر کند. آینده پیش‌بینی طوفان‌های خورشیدی با هوش مصنوعی

ترکیب هوش مصنوعی و فیزیک خورشیدی می‌تواند در سال‌های آینده زمان هشدار درباره فعالیت‌های خطرناک خورشید را افزایش دهد.

اگر مدل‌های جدید بتوانند نه‌تنها شکل‌گیری مناطق فعال، بلکه احتمال وقوع شراره، قدرت آن، جهت حرکت CME و زمان احتمالی رسیدن آن به زمین را نیز با دقت بالاتری پیش‌بینی کنند، بشر می‌تواند برای نخستین بار به یک سامانه هشدار نسبتاً پیشرفته برای طوفان‌های فضایی دست پیدا کند.

دستاورد COFFIES ناسا در همین مسیر قرار دارد: استفاده از هوش مصنوعی برای پیدا کردن نشانه‌هایی که هنوز برای چشم انسان و ابزارهای معمول قابل مشاهده نیستند.