رمزگشایی از اسرار خورشید با هوش مصنوعی

این کشف در مطالعه‌ای که در مجله تحقیقات ژئوفیزیکی: یادگیری و محاسبات ماشینی منتشر شده، گزارش شده است. این تحقیق که توسط NJIT با همکاری سایر دانشگاه‌ها و مراکز تحقیقاتی آمریکایی رهبری می‌شود، از داده‌های رصدخانه دینامیک خورشیدی ناسا (SDO) برای آموزش مدل برای تشخیص تغییرات ظریف در فعالیت میدان صوتی و مغناطیسی خورشید استفاده کرد - تغییراتی که مشاهده مستقیم آنها مدت‌ها دشوار بوده است.

اهمیت این مدل در توانایی آن در تشخیص سیگنال‌های اولیه مناطق فعال - مناطق بسیار مغناطیسی که لکه‌های خورشیدی در آنها تشکیل می‌شوند و شراره‌های خورشیدی قدرتمند از آنها سرچشمه می‌گیرند - مدت‌ها قبل از اینکه واقعاً روی سطح خورشید ظاهر شوند، نهفته است.

این تکنیک به تجزیه و تحلیل امواج صوتی متکی است که دائماً از خورشید عبور می‌کنند. میدان‌های مغناطیسی در حال افزایش، ردپای ضعیفی روی این امواج به جا می‌گذارند که به گفته‌ محقق، الکساندر کوزوویچ، شبیه به «تشخیص یک تغییر ظریف در ریتم در یک ارکستر بسیار پر سر و صدا» است.

این تیم مدل EarlyDetect را با استفاده از معماری Transformer طراحی کرد، همان فناوری که در مدل‌های زبانی بزرگ مانند ChatGPT استفاده می‌شود، اما به جای متن، بر اساس الگو‌های مشاهدات خورشیدی آموزش دیده است.

در طول توسعه‌ این مدل، تیم تحقیق با یک غافلگیری غیرمنتظره مواجه شد. آنها از تکنیکی استفاده می‌کردند که مانند «فیلتر حذف نویز» عمل می‌کند تا به هوش مصنوعی کمک کند تا بر الگو‌های مهم در داده‌های خورشیدی تمرکز کند. با این حال، آنها متوجه شدند که این فیلتر به اشتباه سیگنال‌های بسیار ضعیفی را که به عنوان «هشدار‌های اولیه» مناطق فعال عمل می‌کنند، حذف می‌کند و در نتیجه دقت مدل را کاهش می‌دهد.

محقق، جوناس تیرونا، توضیح داد: «این فیلتر شبیه دستگاه‌های حذف نویز در هدفون است که صدا‌های بلند را حذف می‌کنند تا بتوانید موسیقی را به وضوح بشنوید. اما ما متوجه شدیم که این تکنیک تقریباً در تمام آزمایش‌ها مضر بود، زیرا سیگنال‌هایی که حذف می‌کرد دقیقاً همان چیزی بودند که مدل برای پیش‌بینی‌های دقیق به آن نیاز داشت.» پس از غلبه بر این مانع، محققان مدل را با داده‌های واقعی از رصدخانه خورشیدی ناسا آموزش دادند و سپس آن را روی مناطق کاملاً جدیدی از خورشید که قبلاً هرگز مشاهده نکرده بود، آزمایش کردند.

نتایج چشمگیر بود: این مدل توانست ظهور مناطق فعال را به طور متوسط ​​۹.۲۴ ساعت قبل پیش‌بینی کند و از مدل‌های قبلی بهتر عمل کند. این امر نشان می‌دهد که هوش مصنوعی می‌تواند نقش مهمی در رمزگشایی از اسرار خورشید و پیش‌بینی فعالیت آن قبل از وقوع داشته باشد.

محققان امیدوارند که این فناوری به بهبود پیش‌بینی آب و هوای فضا کمک کند و به شرکت‌های ارتباطات ماهواره‌ای و شبکه‌های برق اجازه دهد تا برای طوفان‌های خورشیدی آماده شوند و آسیب‌های آنها را کاهش دهند. با این حال، آنها اذعان دارند که این مدل هنوز برای پیش‌بینی‌های فوری آماده نیست، زیرا هنوز هشدار‌های کاذب یا پیش‌بینی‌های با تأخیر ایجاد می‌کند. علاوه بر این، هشدار در مورد ظهور یک منطقه فعال لزوماً به معنای وقوع شراره خورشیدی نیست.

برای تقویت همکاری علمی، این تیم یک مجموعه داده عمومی (SolARED) و یک پلتفرم وب تعاملی (SAR Portal) را برای کاوش داده‌های منطقه فعال راه‌اندازی کرد. این یک منبع مشترک برای جوامع یادگیری ماشین و فیزیک خورشیدی فراهم می‌کند تا رویکرد‌های پیش‌بینی جدید را توسعه داده و آزمایش کنند.