EarlyDetect: AI'en der forudsiger solaktivitet timevis før den opstår

Når magnetfelter stiger op mod Solens overflade, efterlader de svage aftryk i lydbølgerne. Først ses et fald i den akustiske styrke – et tidligt tegn på, at et aktivt område er på vej – efterfulgt af ændringer i magnetfeltet, når området bliver synligt . Modellen bruger en 'sliding-window'-tilgang (glidende tidsvindue) til at analysere disse tidsforløb og opfange de små forandringer i solens svingninger, før solpletterne overhovedet viser sig .

Forskerne beskriver udfordringen som "at opdage en lille ændring i rytmen i et meget støjende orkester" . De aktive områder udvikler sig nemlig under Solens synlige overflade, så modellen skal finde meget små signaler i magnetfelt og bølgemønstre midt i Solens konstante aktivitet.

Overraskende fejltrin i filteringen

En af de mest lærerige opdagelser under udviklingen var en uventet fejl. Forskerne brugte først en filterteknik, der skulle hjælpe AI'en med at finde de vigtigste mønstre – men den forringede faktisk modellens præstation .

"Vi troede, den ville isolere nyttige mønstre på kort sigt. I stedet middlede den de svage fluktuationer væk, som netop gav de tidligste advarsler," siger Alexander Kosovichev, en af projektets hovedforskere . Hovedforfatter Jonas Tirona forklarer, at filteret var "skadeligt i næsten alle tilfælde" – de signaler, det fjernede, var præcis dem, modellen havde brug for .

Dette modsætningsfyldte resultat viser, at AI-modeller til heliofysik kan opføre sig anderledes end forventet, og at alle forbehandlingstrin skal testes grundigt.

Præstation og vigtige begrænsninger

Den bedste version af EarlyDetect opnåede en forbedring på 10,6 % i Root Mean Square Error (RMSE) sammenlignet med den tidligere LSTM-baserede metode . Den overgik både en standard Transformer-model og andre benchmark-metoder .

Forskerne fremhæver flere vigtige begrænsninger for praktisk brug:

• Falske alarmer: Modellen forudsiger nogle gange aktive områder, der ikke opstår .
• For sene forudsigelser: Ikke alle aktive områder opdages med nok varsel .
• Ingen garanti for udbrud: Selv hvis et aktivt område opdages, er der ingen garanti for, at det fører til soludbrud eller koronale masseudstødninger – modellen forudsiger selve områdets opståen, ikke dets efterfølgende aktivitet .

Offentligt datasæt frigivet

For at fremme forskningen har teamet offentliggjort SolARED (Solar Active Region Emergence Dataset) – et maskinlæringsklart datasæt baseret på fuldskivekort af Doppler-hastighed, magnetfelt og kontinuumintensitet fra SDO/HMI . Datasættet indeholder tidsserier, der karakteriserer udviklingen af akustisk styrke og andre fysiske parametre, og er frit tilgængeligt via en dedikeret portal .

Hvad betyder det for rumvejrudsigten?

EarlyDetect er et vigtigt skridt mod operative varslingssystemer for rumvejr. Med næsten ni timers varsel før de aktive områder opstår, kan modellen hjælpe med at beskytte satellitter, strømnet og astronauter mod solstorme. Det offentlige datasæt giver desuden andre forskere mulighed for at bygge videre på arbejdet – måske med endnu bedre varsler eller modeller, der også kan forudsige, om et område rent faktisk vil give udbrud.