Yeni AI modeli, güneş patlamalarının gizli işaretlerini ortaya çıkmadan saatler önce tespit ediyor

Güneş yüzeyinde koyu güneş lekelerinin ortaya çıkmasından çok önce, güçlü güneş patlamalarının meydana gelebileceği yeni bir aktif bölge, oluşumunun ince işaretlerini göstermeye başlıyor. Artık araştırmacılar, yeni bir yapay zeka modelinin bu erken sinyalleri tespit edebildiğini ve güneş enerjisi aktif bölgelerinin ortaya çıkışını ortalama dokuz saat önceden tahmin edebildiğini söylüyor.

dergisinde yayınlanan bir çalışmada Jeofizik Araştırma Dergisi: Makine Öğrenimi ve HesaplamaNew Jersey Teknoloji Enstitüsü (NJIT) liderliğindeki bir araştırma ekibi, EarlyDetect adı verilen bir yapay zeka modelinin, güneşin akustik aktivitesinde ve manyetik alanında aktif bölgenin ortaya çıkışının öncü sinyallerini tanımlayabildiğini bildirdi.

Bilim insanları şimdiye kadar bu tür sinyalleri yakalamaya çalıştı.

NJIT lisans araştırmacısı, çalışmanın ilgili yazarı Jonas Tirona, yaklaşımı NJIT bilgisayar bilimcileri ve güneş fizikçilerinin yanı sıra Princeton Üniversitesi ve NASA’nın Ames Araştırma Merkezi’ndeki işbirlikçileriyle birlikte NASA’nın Güneş Dinamikleri Gözlemevi’nden (SDO) gözlemleri kullanarak geliştirdi.

Gizli güneş değişikliklerini dinlemek

Albert Dorman Honors College akademisyeni ve bilgisayar bilimleri dalında yeni mezun olan Tirona, “Bu çalışmanın gösterdiği en değerli şey, güneş enerjisi aktif bölgelerin ne zaman ortaya çıkacağını önceden tahmin etmek için makine öğrenimini kullanabileceğimizdir” dedi. “Bu erken uyarı, uydu iletişim şirketlerinin veya elektrik şebekesi şirketlerinin güneş fırtınalarından kaynaklanan hasarları hazırlamasına ve potansiyel olarak hafifletmesine olanak sağlayabilir.”

Aktif bölgeler (güneş lekelerinin oluştuğu manyetik açıdan yoğun alanlar) birkaç saat içinde ortaya çıkmaya başlarken tam gelişmeleri bir ila birkaç gün sürebilir.

Manyetik alanlar güneşin yüzeyine doğru yükseldikçe, akustik dalgalarda bilim adamlarının güneş titreşimlerini inceleyen heliosismoloji yoluyla tespit edebilecekleri zayıf izler bırakıyorlar.

Bu imzaları belirlemek için ekibin EarlyDetect modeli, NASA’nın Güneş Dinamikleri Gözlemevi’nden alınan saatlik akustik güç haritalarını ve manyetik alan ölçümlerini analiz ediyor.

Akustik haritalar, NASA’nın SDO’sundaki Heliosismik ve Manyetik Görüntüleyici (HMI) tarafından her 45 saniyede bir kaydedilen ses dalgası gözlemlerinden elde ediliyor.

NJIT’in seçkin fizik profesörü ve projenin baş araştırmacısı Alexander Kosovichev, “Asıl zorluk, güneşin görünür yüzeyinin altında, manyetik yapıyı doğrudan gözlemleyemediğimiz aktif bir bölgenin gelişmeye başlamasıdır” dedi.

“Bunun yerine, manyetik alanda ve sürekli olarak güneşte dolaşan akustik dalgaların deseninde çok küçük değişiklikler arıyoruz. Bu daha çok, çok gürültülü bir orkestranın ritminde hafif bir değişiklik tespit etmeye benziyor.”

Filtreleme sırasında ipucu silindi

Ekibin modeli, ChatGPT gibi büyük dil modellerinin arkasındaki aynı tür yapay zeka teknolojisi olan bir Transformer mimarisini kullanıyor. Bu sistemler metindeki kalıpları öğrenirken, EarlyDetect de güneş aktivitesinde gelecekteki değişiklikleri tahmin etmek için güneş gözlemlerindeki kalıpları öğreniyor.

Geçen yıl projeye katıldıktan sonra Tirona ve ekip, yapay zeka modelinin güneş verilerindeki önemli kalıpları belirlemesine yardımcı olmak için uyguladıkları bir filtreleme tekniğinin aslında tahminleri daha da kötüleştirdiğini keşfetti.

Kosovichev, “Bizi en çok bu şaşırttı” dedi. “Başlangıçta bunun yararlı kısa zaman ölçeği kalıplarını izole etmeye yardımcı olmasını bekliyorduk. Bunun yerine, en erken uyarıyı sağlayan çok zayıf dalgalanmaların ortalamasını aldı.”

Tirona, “Bu bir nevi gürültü engellemeye benziyor… normalde yüksek sesleri ortadan kaldırıyor, böylece genel eğilimi daha iyi görebiliyorsunuz” dedi. “Fakat bunun neredeyse her durumda zararlı olduğunu bulduk. Filtrenin kaldırıldığı sinyallerin, modelin aktif bir bölgenin ne zaman ortaya çıkacağını tahmin etmesine yardımcı olma konusunda gerçekten önemli olduğu ortaya çıktı.”

Modelin teslim süresinin test edilmesi

NASA’nın SDO/HMI’sından gözlemler üzerine eğitim aldıktan sonra araştırmacılar, modelin daha önce hiç görmediği aktif bölgelerde EarlyDetect’i test etti.

En iyi performans gösteren sürüm, öncü sinyalleri aktif bölgelerin görünür hale gelmesinden ortalama 9,24 saat önce belirledi ve hem standart Transformer modelinden hem de önceki kıyaslama yaklaşımından daha iyi performans gösterdi.

NJIT’de veri bilimi yardımcı doçenti ve projenin baş araştırmacısı Mengjia Xu, “Makine öğrenimi henüz güneş aktivitesi tahmininde geniş çapta uygulanmadı” dedi. “Çalışmalarımız, gelişmiş makine öğrenimi modellerinin gelecekteki uzay hava durumu tahminleri için yeni olanaklar açabileceğini gösteriyor.”

Ekip, diğer araştırmacıların bu çalışmayı geliştirmelerine yardımcı olmak için, verileri keşfetmek için etkileşimli bir web platformu olan Solar Aktif Bölge (SAR) Portalı ile birlikte, SDO’dan derlenen, güneş enerjisi aktif bölge gözlemlerinin halka açık bir koleksiyonu olan Solar Aktif Bölge Ortaya Çıkış Veri Kümesini (SolARED) de yayınladı.

Xu, “Bu, solar aktif bölgenin ortaya çıkışına ilişkin ilk halka açık veri setidir” dedi. “Hem makine öğrenimi hem de heliofizik topluluklarının yeni tahmin yaklaşımlarını geliştirmesi ve test etmesi için ortak bir kaynak sağlıyor.”

Henüz gerçek zamanlı bir uyarı değil

Tirona umut verici olsa da EarlyDetect’in gerçek zamanlı tahmin için henüz hazır olmadığını söyledi. Model, bilinen ortaya çıkan olaylara göre eğitildi ve hala ara sıra yanlış alarmlar veya geç tahminler üretiyor.

Ortaya çıkma uyarısı aynı zamanda bir parlamanın veya koronal kütle püskürmesinin meydana geleceğine dair bir tahmin değildir; birçok aktif bölge hiçbir zaman büyük patlamalar yaratmaz. Ekip, yaklaşımın daha birçok güneş etkinliğinde hala doğrulanması gerektiğini söylüyor.

Tirona, “Bu projenin, makine öğreniminin heliofiziğe nasıl katkıda bulunabileceği konusunda daha fazla farkındalık getireceğini umuyorum” dedi. “Bunun gibi bir modelin bir gün güneşle ilgili hava olaylarını tahmin etmeye yardımcı olması gerçekten harika olurdu. Henüz o noktaya gelmedik ama bu heyecan verici bir adım.”